Nathan Lambert, bekannt für seinen Newsletter Interconnects, legt mit diesem Beitrag aus dem April 2026 eine strukturierte Liste seiner Kernüberzeugungen zur Entwicklung offener Sprachmodelle vor – destilliert aus mehr als zehn eigenen Texten und Aufnahmen aus dem Frühjahr 2026. Zentrales Argument: Die Capability-Lücke zwischen offenen und geschlossenen Modellen ist kein rein technisches, sondern zunehmend ein wirtschaftliches Problem. Closed Labs haben laut Lambert einen schwer messbaren Qualitätsvorteil bei Robustheit und Alltagstauglichkeit, der in Standard-Benchmarks nicht sichtbar wird – weshalb Benchmark-Parität nicht mit echter Parität gleichzusetzen sei. Chinesische Open-Weight-Labs wie DeepSeek fokussieren sich stärker auf Benchmark-Scores als US-Konkurrenten und nutzen Distillation strategisch, um das Narrativ der Aufholjagd am Leben zu halten – Lambert hält Distillation aber nicht für allein entscheidend. Er erwartet, dass chinesische Open-Labs noch im laufenden Jahr (2026) in Finanzierungsschwierigkeiten geraten, was sich mit drei bis neun Monaten Verzögerung in einer schwächeren Modell-Entwicklungskurve niederschlagen dürfte. Auf der US-Seite sieht Lambert Googles Gemma 4, Nvidias Nemotron und Arcee AI als Zeichen einer Gegenbewegung, die ab Anfang 2027 in stärkeren US-Adoptionszahlen bei Open Models sichtbar werden soll. Regulatorische Verbote oberhalb bestimmter Compute-Schwellen hält er für praktisch nicht durchsetzbar, da andere Staaten solche Modelle trainieren und veröffentlichen würden.