返回专栏
· 12 分钟阅读

开源模型、开放权重与闭源模型:大模型的开放程度与技术生态


一、为什么需要区分模型的开放方式?

随着大语言模型的发展,模型的获取和使用方式逐渐形成不同路线。

有些模型可以下载权重、查看代码,甚至自行训练和修改;有些模型只开放权重,但训练数据和完整训练过程并不公开;还有一些模型只能通过厂商提供的 API 或产品使用。

这些模型都可能具备强大的能力,但在技术透明度、部署方式、修改权限和商业使用限制上存在明显差异。

常见的三种类型:

  1. 开源模型(Open Source Model):按照相应开放定义,提供足够的模型相关材料,并允许用户在许可范围内使用、研究、修改和再分发。
  2. 开放权重模型(Open-Weight Model):公开训练完成后的模型权重,用户可以下载和运行,但训练数据、完整训练代码或其他关键材料不一定公开。
  3. 闭源模型(Closed Model):模型核心实现和权重通常不公开,用户主要通过官方产品、API 或受控平台使用。

需要特别注意:

开放权重不等于完整开源,能够下载模型也不代表拥有不受限制的使用权。

二、什么是开源模型?

2.1 开源模型的基本定义

开源模型强调的不只是模型文件可以下载,而是模型相关材料和使用权限具有较高的开放程度。

对于人工智能模型而言,开源通常涉及:

  • 模型架构和实现代码。
  • 模型权重。
  • 训练数据相关信息。
  • 数据处理与训练方法。
  • 训练和评估代码。
  • 模型使用、修改与再分发的许可。

其中,模型权重是开源模型的重要组成部分,但不是全部。

传统软件开源通常关注源代码是否公开,以及许可证是否允许使用、修改和分发。

AI 模型还存在一个特殊问题:即使公开模型权重和推理代码,也不一定能够完整复现模型的训练过程。

例如:

  • 训练数据可能没有公开。
  • 数据清洗和过滤流程可能不完整。
  • 训练代码可能没有发布。
  • 训练所需的算力和基础设施可能无法获得。
  • 部分数据可能受到版权、隐私或合同限制。

因此,AI 模型的开源程度不能简单地用是否公开 GitHub 仓库来判断。

2.2 Open Source AI Definition

Open Source Initiative(OSI)发布了 Open Source AI Definition,用于明确人工智能系统达到开源标准所需要满足的条件。

其核心关注点包括:

  1. 使用自由:允许用户将模型用于不同目的。
  2. 研究自由:能够研究模型的工作机制。
  3. 修改自由:能够修改模型,并根据需要进行适配。
  4. 共享自由:能够分享原始模型或修改后的版本。

为了实现这些自由,还需要提供足够的材料,使用户能够理解和修改模型。

其中,重要材料包括:

  • 模型参数或权重。
  • 模型架构信息。
  • 数据相关信息,包括训练数据来源、处理方式等足以理解训练过程的材料。
  • 必要的代码和技术说明。

需要注意,开源 AI 的具体判断应以相应版本的定义和实际发布材料为准。模型发布方自称 Open Source,并不自动意味着它满足 OSI 的开源 AI 定义。

2.3 开源模型的优势

1. 技术透明度较高

研究人员可以检查模型架构、权重和训练相关材料,更深入地研究模型行为。

2. 可修改性强

可以根据实际需求修改模型结构、训练策略和参数。

3. 部署自主性高

可以在自己的服务器、私有云或本地设备上部署模型,减少对单一模型服务商的依赖。

4. 有利于技术生态建设

开发者可以围绕模型构建推理框架、微调工具、量化方案和应用生态。

5. 有利于研究复现

在材料足够完整的情况下,可以更好地研究模型训练、评估和行为特征。

2.4 开源模型的局限

开源并不意味着没有成本。

  • 训练大模型仍然需要大量 GPU 资源。
  • 部署和推理需要计算、存储及运维能力。
  • 公开权重不代表可以完全复现模型。
  • 模型可能存在安全、偏见和事实性问题。
  • 许可证可能对商业用途、再分发或特定使用场景设置限制。
  • 模型的更新、维护和安全响应需要自行承担。

因此,开源模型提供的是更高程度的技术自主权,而不是免费的完整解决方案。

三、什么是开放权重模型?

3.1 Open-Weight 的基本定义

开放权重模型(Open-Weight Model)是指模型训练完成后的权重文件对外公开,用户可以获取这些参数,并在支持的环境中运行模型。

权重是神经网络在训练过程中学习得到的参数。

以一个简单的神经网络为例:

y=f(Wx+b)

其中:

  • W:模型权重。
  • b:偏置参数。
  • x:输入。
  • y:模型输出。

对于大语言模型,权重通常包含:

  • Token Embedding 参数。
  • Attention 层参数。
  • FFN 层参数。
  • LayerNorm 或 RMSNorm 参数。
  • 输出投影参数。

模型权重文件保存了训练完成后这些参数的数值。

用户获取权重后,可以使用兼容的推理框架加载模型,执行本地推理,也可以在许可证允许的范围内进行微调、量化或其他适配。

3.2 为什么开放权重不等于开源?

因为权重只描述了模型的一部分信息。

一个完整的大模型训练过程还涉及:

  • 训练数据及其来源。
  • 数据清洗、过滤和去重策略。
  • 模型架构设计。
  • 训练代码。
  • 优化器和训练配置。
  • 训练过程中的检查点。
  • 评估方法和结果。

开放权重模型可能只发布最终参数,而没有公开这些材料。

例如,用户下载一个模型权重文件后,可以运行模型,但可能无法知道:

  • 模型究竟使用了哪些训练数据。
  • 数据经过了什么样的清洗和筛选。
  • 训练使用了什么样的学习率调度策略。
  • 模型是否使用了特殊的数据配比。
  • 如何从头开始复现该模型。

因此,开放权重解决的是模型参数的可获取性,而完整开源还涉及更多材料和使用自由。

3.3 开放权重模型的能力

开放权重模型通常允许用户在许可证规定的范围内进行以下操作:

  1. 下载模型权重。
  2. 在本地或云端运行推理。
  3. 使用 LoRA、QLoRA 等方法进行微调。
  4. 对模型进行量化。
  5. 根据模型架构开发推理服务。
  6. 在允许的条件下进行模型分发和商业部署。

但需要注意:这些操作是否允许,最终取决于模型许可证。

开放权重不等于没有许可证限制。

部分模型可能要求:

  • 保留版权声明和许可证文本。
  • 对修改后的模型进行标注。
  • 在再分发时附带指定材料。
  • 对特定规模的商业使用申请额外授权。
  • 遵守可接受使用政策。
  • 不得用于某些受限制的场景。

因此,不能只看模型是否能够下载,还要阅读模型的实际许可证和使用政策。

3.4 开放权重模型的典型生态

目前,开放权重模型已经形成了比较成熟的生态。

常见模型家族包括:

  • Llama:Meta 发布的模型系列。
  • Qwen:阿里巴巴发布的模型系列。
  • DeepSeek:深度求索发布的模型系列。
  • Gemma:Google 发布的模型系列。
  • Mistral:Mistral AI 发布的模型系列。
  • Phi:Microsoft 发布的模型系列。

需要注意,这些模型家族的不同版本、不同尺寸和不同用途,可能采用不同许可证和开放策略。不能根据模型家族名称直接推断某个具体版本的开放程度。

四、什么是闭源模型?

4.1 Closed Model 的基本定义

闭源模型通常是指模型的核心实现、权重和训练材料不对外公开,用户无法直接获取完整模型参数。

用户一般通过以下方式使用:

  • 官方 Web 产品。
  • 官方 API。
  • 企业级模型服务。
  • 云平台托管服务。
  • 合作伙伴提供的受控接口。

例如,开发者可以调用模型 API:

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="模型服务名称",
    input="解释一下 Transformer 的核心原理。"
)

print(response.output_text)

示例仅展示 API 调用形式,实际模型名称、SDK 版本和接口参数需要根据具体服务文档配置。

开发者只需要提交输入,并接收模型返回的结果,不必自行管理底层模型权重和推理基础设施。

4.2 闭源模型的服务架构

闭源模型通常采用托管式服务架构。

flowchart TB
    A["用户应用"] --> B["调用模型 API"]
    B --> C["身份验证与权限控制"]
    C --> D["请求路由与调度"]
    D --> E["模型推理服务"]
    E --> F["GPU 集群执行推理"]
    F --> G["生成模型输出"]
    G --> H["返回 API 响应"]
    H --> I["用户应用处理结果"]

    style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
    style B fill:#EAF3EC,stroke:#83A995,color:#315D49
    style C fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
    style D fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
    style E fill:#EAF3EC,stroke:#83A995,color:#315D49
    style F fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
    style G fill:#EAF3EC,stroke:#83A995,color:#315D49
    style H fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
    style I fill:#E5F0E9,stroke:#83A995,color:#315D49

在这种架构下,模型供应商负责:

  • 模型训练和更新。
  • GPU 集群管理。
  • 推理服务部署。
  • 请求调度和负载均衡。
  • 服务监控和故障恢复。
  • 模型安全策略和访问控制。

用户主要负责业务应用、Prompt 设计、数据处理和接口集成。

4.3 闭源模型的优势

1. 使用门槛较低

不需要自行下载、部署和维护庞大的模型权重。

2. 可以使用托管算力

不需要自己准备 GPU 集群,能够通过 API 使用模型能力。

3. 模型更新由供应商负责

模型供应商可以持续更新模型能力、推理系统和安全机制。

4. 更容易快速集成

通过 API 即可将模型接入已有业务系统。

5. 可以获得配套服务

部分服务还提供结构化输出、工具调用、批量处理、企业权限控制等能力。

4.4 闭源模型的局限

  • 无法直接获取模型权重。
  • 无法完全控制模型内部实现。
  • 不能自由修改底层模型架构。
  • 依赖服务商的 API、价格和服务可用性。
  • 需要关注数据处理、隐私和合规政策。
  • 模型版本升级可能影响输出行为。
  • 服务商可能调整模型名称、接口和使用限制。

对于企业来说,闭源模型还需要考虑供应商锁定(Vendor Lock-in)。

如果业务系统深度依赖某一家模型服务,迁移到其他模型时,可能需要重新适配 Prompt、工具调用、结构化输出和评估体系。

五、三种模型开放方式的核心区别

5.1 对比维度

对比维度 开源模型 开放权重模型 闭源模型
模型权重 通常公开 公开 通常不公开
推理代码 按开放定义提供必要材料 不一定公开 通常不公开
训练代码 需要提供足够相关材料 不一定公开 通常不公开
训练数据 提供足够的数据相关信息,具体材料受定义约束 通常不完整公开 通常不公开
模型架构 相关信息公开 通常提供架构配置 通常不完整公开
本地部署 通常可以 通常可以 通常不可以直接部署原始模型
模型修改 在许可证允许范围内 取决于许可证 通常无法直接修改底层模型
商业使用 取决于许可证 取决于许可证 取决于服务条款
自主可控程度 较高 较高,但受材料和许可影响 相对较低
典型使用方式 下载、研究、修改、部署 下载权重、本地推理、适配 官方产品、API、托管服务

这里的“开源模型”是按照 AI 开源定义理解的严格概念。实际市场中,很多被称为开源模型的产品,严格来说更接近开放权重模型。

5.2 开放程度不是简单的二元判断

现实中的模型发布方式并不只有完全开放和完全闭源两种。

可以从多个维度观察一个模型的开放程度:

开放维度 关注问题
权重开放 能否下载模型参数?
架构开放 是否公开网络结构和配置?
代码开放 是否提供训练与推理代码?
数据透明 是否披露训练数据来源和处理方法?
训练透明 是否公开训练过程和关键配置?
许可开放 是否允许研究、修改、再分发和商业使用?
评估透明 是否公开评估方法和测试结果?

不同模型在这些维度上的开放程度可能不同。

例如:

  • 模型权重公开,但训练数据不公开。
  • 模型代码公开,但权重不公开。
  • 权重和代码公开,但商业使用受到限制。
  • 权重可以下载,但修改后的模型不能自由再分发。

因此,评估模型开放程度时,应该逐项检查,而不是只看发布方使用了什么名称。

六、开源模型与闭源模型的技术架构差异

6.1 开源或开放权重模型的本地部署

使用开放权重模型时,用户可以直接管理模型运行环境。

flowchart TB
    A["获取模型权重"] --> B["准备运行环境"]
    B --> C["配置 GPU 与显存"]
    C --> D["加载 Tokenizer"]
    D --> E["加载模型权重"]
    E --> F["启动推理引擎"]
    F --> G["接收用户请求"]
    G --> H["执行模型推理"]
    H --> I["返回生成结果"]
    I --> J["监控资源与性能"]

    style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
    style B fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
    style C fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
    style D fill:#EAF3EC,stroke:#83A995,color:#315D49
    style E fill:#EAF3EC,stroke:#83A995,color:#315D49
    style F fill:#DCEFE5,stroke:#4F8B70,color:#24563F
    style G fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
    style H fill:#EAF3EC,stroke:#83A995,color:#315D49
    style I fill:#E5F0E9,stroke:#83A995,color:#315D49
    style J fill:#F5F8F4,stroke:#B5CBBB,color:#40594A

本地部署通常需要处理:

  • 模型权重下载与加载。
  • GPU 显存规划。
  • 推理框架适配。
  • Tokenizer 配置。
  • 并发请求调度。
  • KV Cache 管理。
  • 量化和推理加速。
  • 服务监控和故障恢复。