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:
- 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。
- 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。
- 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:
- 使用自由:允许用户将模型用于不同目的。
- 研究自由:能够研究模型的工作机制。
- 修改自由:能够修改模型,并根据需要进行适配。
- 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:
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:
- 下载模型权重。
- 在本地或云端运行推理。
- 使用 LoRA、QLoRA 等方法进行微调。
- 对模型进行量化。
- 根据模型架构开发推理服务。
- 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。