Digitale Souveränität: Soofi, Deutschlands Chance auf KI-Souveränität?

Ein neuer Weg zur digitalen Unabhängigkeit

Angesichts der zunehmenden Beschränkungen beim Zugriff auf moderne KI-Modelle aus den USA strebt Deutschland eine stärkere technologische Eigenständigkeit an. Das Konsortium Soofi, das mit Millionengeldern der Bundesregierung gefördert wird, soll hierbei eine Schlüsselrolle einnehmen. Ziel ist die Entwicklung von Open-Source-Foundation-Modellen, die Unternehmen flexibel an ihre spezifischen Anforderungen anpassen können. Mit der Veröffentlichung von Soofi-S wurde Mitte 2026 der erste Meilenstein dieses Vorhabens erreicht.

Der Ansatz des Konsortiums unterscheidet sich grundlegend von der Strategie großer US-Unternehmen. Statt auf den Bau massiver Rechenzentren zu setzen, die angesichts der aktuellen Energieinfrastruktur kaum realisierbar wären, fokussiert sich Soofi auf spezialisierte, kleinere Modell-Ensembles. Laut Alexander Löser von der Forschungsgruppe Datexis an der Berliner Hochschule für Technik, die für das Reinforcement Learning zuständig ist, könnten solche spezialisierten Modelle langfristig sogar mit den riesigen Frontier-Modellen konkurrieren.

Kritik an Benchmarks und Trainingsdaten

Trotz der strategischen Ambitionen steht das Projekt in der öffentlichen Wahrnehmung unter Druck. Kritiker werfen den Verantwortlichen vor, das Modell als innovativer darzustellen, als es tatsächlich ist. Ein zentraler Vorwurf betrifft die Leistungsbewertung: Soofi-S basiere auf einem bereits existierenden Nvidia-Modell (Nemotron 3 Nano), was die Frage nach der Rechtfertigung der hohen Investitionssummen aufwirft.

Besondere Aufmerksamkeit erregte der Vorwurf des sogenannten Test Data Leakage. Soofi-S schnitt in internen Benchmarks, insbesondere beim komplexen GPQA-Test, auffällig gut ab. KI-Forscher wiesen darauf hin, dass das Modell Testfragen auswendig gelernt haben könnte, da diese in den Trainingsdaten enthalten waren. Löser räumte ein, dass hier ein Fehler unterlaufen sei: Ein als Trainingsdatensatz gelabelter GPQA-Datensatz sei versehentlich von Hugging Face bezogen worden. Da dies erst nach Abschluss des Trainings bemerkt wurde, konnten die Daten nicht mehr entfernt werden.

Transparenz und methodische Aufarbeitung

Die Kritik entzündete sich zudem an der hohen Anzahl der Trainingsdurchläufe (Epochen) für bestimmte Datensätze. Während andere Datensätze maximal zweimal durchlaufen wurden, absolvierte das Modell beim TUDA/QA-base-Datensatz zehn Durchläufe. Löser begründete dies mit der sogenannten Annealing-Phase, in der das neuronale Netz durch hochwertige Daten in einen optimalen Zustand versetzt werden soll. Eine schlüssige Erklärung für die Diskrepanz bei der Wiederholungsrate im Vergleich zu anderen Datensätzen blieb jedoch aus.

Die Projektverantwortlichen haben auf die Kritik reagiert: Der umstrittene „Capability Index“ wurde ersatzlos gestrichen und durch eine aggregierte Gesamtleistung ersetzt. Zudem wurde der Projektbericht korrigiert, um den Fehler bei den GPQA-Daten transparent zu machen. Nach Angaben von Löser seien die übrigen 80 Benchmarks weiterhin valide und zeugten von einer sorgfältigen Arbeitsweise innerhalb des Konsortiums.

Perspektiven für den Standort Deutschland

Die Debatte um Soofi verdeutlicht die Herausforderungen, vor denen die europäische KI-Forschung steht. Während die USA und China auf schiere Rechenkraft und Skalierung setzen, muss Europa laut Löser einen Weg finden, durch methodische Spezialisierung und Offenheit – etwa durch die Veröffentlichung von Modellgewichten und Trainingsdaten unter Apache-Lizenz – zu bestehen.

Für die kommenden Phasen des Projekts wird es entscheidend sein, ob Soofi den Nachweis erbringen kann, dass die gewählte Strategie der spezialisierten Ensembles tatsächlich eine technologische Souveränität ermöglicht. Die bisherigen Erfahrungen zeigen, dass bei staatlich geförderten KI-Projekten nicht nur die technische Leistung, sondern auch die methodische Transparenz bei der Evaluierung eine zentrale Rolle für die Glaubwürdigkeit spielt.