---
type: xpost
source_url: https://x.com/LieselWeppen/status/2066247709317562762
retrieved: 2026-06-15
author: "@LieselWeppen"
is_thread: true
thread_context: [21Stammtisch, LieselWeppen, k9ert]
tags: [llm-safety, open-source, sleeper-agents, backdoor, unlearning, alignment, bias]
---

# Liesel Weppen: "Open Source bei LLMs ist Marketing BS" — Verweise auf Backdoor-/Unlearning-Forschung

**Geteilt von:** @k9ert in OME-Gruppe "News & Infos (X/YT/Substack etc.)"-Topic

## Source: X Post + Thread

**Author:** Liesel Weppen (@LieselWeppen)
**Posted:** Sun, 14 Jun 2026 19:53:37 GMT
**URL:** https://x.com/LieselWeppen/status/2066247709317562762
**Likes:** 0 | **Retweets:** 0

## Thread-Kontext

Diskussion zwischen drei Akteuren über die Frage, was "Open Source" bei LLMs praktisch bedeutet.

### 1. @21Stammtisch — Spaces-Einladung
**URL:** https://x.com/21Stammtisch/status/2066218075645456837
**Likes:** 8 | **Retweets:** 6
> https://twitter.com/i/spaces/1jGXggERREyKZ/peek

### 2. @LieselWeppen — Hauptposition
**URL:** https://x.com/LieselWeppen/status/2066244177621352656
**Likes:** 2 | **Retweets:** 0
> Open Source bei LLMs ist Marketing BS.
> Die Modelle sind maximal open weights, aber nicht open Trainingsdaten und Algos.

### 3. @k9ert — Gegenposition
**URL:** https://x.com/k9ert/status/2066244968839098854
**Likes:** 1 | **Retweets:** 0
> Nichts ist perfekt aber "nachtrainieren" ist ja schon mal ein super Anfang. Und hoffentlich ist es damit nicht zu Ende.
> Aber "Marketing BS" ist jetzt echt übertrieben.

### 4. @LieselWeppen — Belege (Hauptpost)
**URL:** https://x.com/LieselWeppen/status/2066247709317562762
**Likes:** 0 | **Retweets:** 0
> Sehe ich anders...
>
> Suchbegriffe bei Google oder Google Scholar:
>
> Hubinger sleeper agents
> Backdoor safety training
> machine unlearning bias
> bias persistence
> bias transfer
> persistent backdoors
> catastrophic forgetting
> Limits of debiasing

## Interpretation

Liesel Weppen verweist auf eine konzeptuelle Verwandtschaft ihrer Kritik: **"Open Weights" ≠ "Open Model"** — die zentralen Eigenschaften eines LLMs (Trainingsdaten, Trainingsalgorithmen, RLHF/Safety-Pipelines, hidden States für Backdoors) bleiben für die Community eine Black Box. Die acht Suchbegriffe bilden ein **gemeinsames Konzept** ab: **Persistence of Learned Behaviors in LLMs — Grenzen von Safety-Training, Unlearning und Debiasing**.

Die zentrale Aussage ist: Selbst wenn Gewichte offen sind, bedeutet das nicht, dass die Sicherheitseigenschaften transparent, dokumentiert oder durch Nutzer-Training entfernbar sind. Im Gegenteil — die Forschung zeigt, dass schädliche Eigenschaften (Backdoors, Sleeper-Agent-Trigger, Bias) selbst nach intensivem Nachtraining persistent sein können.

K9erts Position ist differenzierter: Nachtraining (Fine-Tuning) ist "ein super Anfang", und "Marketing BS" sei übertrieben. Die Diskussion oszilliert um die Frage, ob "open weights" + "nachtrainierbar" einen hinreichenden Open-Source-Begriff darstellt.