开源模型
指模型权重公开可获取、允许本地部署和二次开发的大语言模型，代表性项目包括LLaMA、Qwen、DeepSeek等，优势在于数据隐私可控、可离线运行，但在复杂推理和长上下文理解上通常不及顶级闭源模型
核心事实
时间轴 (近 90 天)
开源模型因训练数据来源往往难以完全追溯和清理，若法院裁定所有未经授权的版权内容训练均属侵权，将面临比商业巨头更大的合规困境。
如果法院完全禁止版权内容用于AI训练，维基百科的志愿者将无法利用AI工具辅助编辑、翻译、事实核查和内容扩充，许多基于开源模型的辅助工具可能被迫下架或限制功能。
开源模型指其权重、架构和训练方法公开可获取的AI模型，如LLaMA系列、Mistral等。
闭源前沿模型在连笔手写轨迹恢复任务上明显优于开源模型，且该排名在 IAM-OnDB 数据集上同样成立。
过去一年，开源模型的能力和效率快速提升，量化、蒸馏、小型化等技术让消费级硬件也能跑出可用的效果。
前沿模型仍比开源模型更强，但差距在缩小；一个可参考的配比是约 20% 的前沿模型用于最关键任务，长尾 Token 交给更小的模型。
社区中有观点认为，部分开源模型在单位成本上的能力已逼近前沿，但由于部署和维护的隐性成本未被计入图表，导致开源阵营的性价比被低估。
国内开源模型已出现扎堆现象，若标准不统一、接口不兼容，可能形成数据孤岛。
大量开源模型和算子默认针对CUDA优化，迁移到MPS/MLX需要额外适配，部分算子甚至缺乏原生支持。
与通过云API调用的商业服务相比，开源模型的核心差异在于数据不出本地、可按垂直领域数据再训练、无按量计费成本；代价是需要自行承担算力部署、推理优化和后续维护。
还有 40 条时间轴事件
全部知识事实 (20)
开放权重（open weights）区别于完全开源（open source），前者公开模型参数但不一定公开训练数据和完整训练代码
90%已验证开源模型通常指模型权重可公开下载、允许自由使用和修改的AI模型，与仅通过API调用的闭源模型相对。
80%已验证对于调用量大的应用，自建部署开源模型的总成本往往显著低于使用商业API
80%已验证开放权重模型指参数权重文件向公众开放下载，可本地部署微调，但训练数据和完整源码不一定公开，区别于完全开源
80%已验证'开源权重'与'完全开源'并不等同，前者仅公开模型参数文件，训练数据、完整训练代码及某些商业使用权利未必一并开放
70%已验证当前多数所谓‘开源模型’实际上只开放权重，训练细节仍属商业机密。
65%已验证开源模型在部分复杂推理和长上下文任务上与头部闭源模型仍存在差距
65%已验证开源模型能力正在快速逼近闭源模型的水平，价格战持续压缩利润空间
65%已验证开放权重策略意味着模型参数可免费下载使用，但训练数据与完整训练流程通常不公开，已成为Meta Llama、Mistral等公司的主流选择
65%已验证开放权重模型仅发布训练完成的模型参数文件，而严格意义的开源AI要求公开训练代码、数据集与完整复现流程
65%待验证大量开源模型的训练数据截止时间停留在2023年甚至更早
70%待验证开源模型的能力通常落后于最新的商业闭源模型
60%待验证开源模型过去在性能上通常落后闭源模型6到18个月
60%待验证开源模型权重公开发布后任何人都可下载、修改和部署，使得事后监管执行极为困难
60%待验证开源模型指其权重、架构和训练方法公开可获取的AI模型，如LLaMA系列、Mistral等。
50%待验证开源模型因训练数据来源往往难以完全追溯和清理，若法院裁定所有未经授权的版权内容训练均属侵权，将面临比商业巨头更大的合规困境。
50%待验证闭源前沿模型在连笔手写轨迹恢复任务上明显优于开源模型，且该排名在 IAM-OnDB 数据集上同样成立。
50%待验证过去一年，开源模型的能力和效率快速提升，量化、蒸馏、小型化等技术让消费级硬件也能跑出可用的效果。
50%待验证前沿模型仍比开源模型更强，但差距在缩小；一个可参考的配比是约 20% 的前沿模型用于最关键任务，长尾 Token 交给更小的模型。
50%待验证社区中有观点认为，部分开源模型在单位成本上的能力已逼近前沿，但由于部署和维护的隐性成本未被计入图表，导致开源阵营的性价比被低估。
50%