开放权重与开源 AI 有什么区别？

开放权重描述的是能否获得训练后的模型参数；开源 AI 关注使用、研究、修改和分享系统所需的自由与材料。只有权重下载链接，还不能回答许可和可复现性问题。

三个标签回答的问题不同

“开放权重”是方便的描述，但不对应唯一的标准许可证。两个都能下载的模型，允许的使用方式可能不同。托管服务也可能同时提供另行许可的本地模型。应评估具体版本，而不是只看公司名或模型家族。

OSI 定义要求什么

开放源代码促进会的 Open Source AI Definition 1.0 描述了为任何目的使用系统、研究其工作方式、修改并分享系统的自由。其适合修改的形式包含参数、相关代码，以及足够详细的训练数据信息。

这比“开放了权重”更具体。定义并非简单要求全部原始训练数据都能下载，而是规定了数据信息要求，并区分不同类型的训练数据。评估某个模型的开源主张时，应直接阅读定义与发布材料，不能仅凭宣传标签下结论。

构建应用前的检查清单

1. 记录准确模型与版本。保存仓库、检查点标识和许可证版本。同一模型家族的不同版本可能采用不同条款。
2. 阅读许可证及其引用的政策。检查使用、修改、再分发、署名和衍生作品条件。不要从“可以下载”推断“允许商用”。
3. 检查模型卡片。关注预期用途、局限、训练信息、评估条件与支持语言。缺失信息应被明确记录为不确定项。
4. 核对代码和分词器要求。确定本地需要运行哪些组件，是否需要自定义代码。权重可获取不等于兼容任意运行框架。
5. 检查下游产物。量化文件、适配器和合并模型可能带来新的来源与兼容性问题。确认基础模型和转换流程。
6. 保留部署依据。保存许可文本、模型卡片和版本标识，防止后续升级悄悄改变先前假设。

能下载，不等于容易部署

模型大小只是部署条件的一部分。内存还要容纳 KV 缓存、运行时缓冲区和其他分配。长上下文及并发请求可能显著增加需求。量化可以降低权重存储量，但也可能改变数值表现、兼容性和速度。

可以先用大模型显存估算器计算，再测试准确的模型、格式和工作负载。估算不是吞吐量测试，也不保证模型能在某张显卡上运行。

本地推理让你控制模型在哪里执行，但不会自动使整个应用保持私密。下载、更新检查、遥测与连接的工具仍可能访问外部服务，需要检查完整部署及其配置。

怎样公平比较模型发布

先列出任务和约束：语言、准确性、延迟、内存预算和允许用途。使用相同评估集，并尽量保持提示词和推理预算一致。把许可适用性与能力测试分开：模型即使表现出色，也未必适合计划中的分发方式。

一个模型可以提供有价值的访问能力，同时不符合某种开源定义。准确用词能帮助读者理解这一差别。本站的开放模型专题追踪发布和本地推理进展，具体条款仍应回到原始发布核对。

来源与适用范围

• OSI：Open Source AI Definition 1.0，本文比较所采用的定义。
• Hugging Face：Model Cards，介绍模型用途、局限、训练和评估记录。
• Transformers 量化文档，介绍量化方案与支持情况。

本文比较概念并提供阅读清单，不逐一判定所有模型，也不对具体许可争议作结论。反馈错误或建议更新。