开源模型

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

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。

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

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

大量开源模型的训练数据截止时间停留在2023年甚至更早

开源模型的能力通常落后于最新的商业闭源模型

开源模型过去在性能上通常落后闭源模型6到18个月

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

开源显著降低了能力获取门槛，使研究者与开发者能在本地部署、审计与改进模型；但同时也意味着安全对齐措施可能被移除或绕过，下游滥用难以追溯。

把AI实验室或开源模型团队类比为“洛斯阿拉莫斯”具有强烈的叙事张力：它暗示前沿能力可能同样在有限透明度下被集中创造，而其后果却会不可逆地外溢到整个世界。

在开源模型场景中，网络效应体现在开发者习惯、工具链适配和社区知识沉淀上，越多人使用某个开源模型，围绕它的微调脚本、部署方案、评测基准和问题解答就越丰富，后来者迁移成本更低。

缺乏首日支持时，开源模型往往要等数周才有零散的社区适配补丁，期间输出正确性也难以保证。

闭源前沿模型主打能力上限，开源模型则蚕食中低端推理需求。

开源模型生成图片通常不打水印，且现有水印可被裁剪或压缩去除。

纯粹的模型层创新已经很难构成壁垒，开源模型的快速迭代让这一层的领先窗口越来越短。

闭源前沿模型在独立评测上仍然领先，开源方案的价值在于免费和隐私可控，不在于全面超越。

一项最新研究审计了十个开源模型、覆盖八种语言，在全部70个「模型—语言」配对中，非英语的刻板印象得分都低于其英语水平。

闭源厂商常以安全可控为卖点，但此次事件表明闭源模型同样面临安全挑战，可能削弱闭源阵营在安全叙事上的优势。

开源模型的质量整体上逐步提升，但底层硬件成本是跳变的，关键取决于权重能否装入现有机器的内存。

本地部署开源模型的性能往往不及主流商业AI产品，构成效率取舍。