在讨论大模型时，“开源”几乎成了一个被滥用的词。很多被冠以“开源”之名的模型，实际上只是把训练好的权重文件放到网上供人下载。对于传统软件，开源意味着源代码公开、任何人都可以查看、修改和再分发；而对于大模型，“源代码”到底指什么，本身就是一个值得讨论的问题。 理解大模型开放程度的不同层次，有助于更准确地评估一个模型能为你提供什么。

大模型由哪些部分构成

一个大模型从无到有，涉及多个组成部分：

  1. 模型架构代码：定义网络结构的代码，通常相对简单，很多模型使用相似的架构；
  2. 训练数据：预训练和后训练使用的海量数据，是决定模型能力的关键因素；
  3. 训练代码与配方：数据处理流程、训练超参数、训练策略等；
  4. 模型权重：训练完成后得到的参数文件，是可以直接用于推理的“成品”；
  5. 推理代码：加载权重并运行模型的代码；
  6. 评测与技术报告：说明模型如何训练、表现如何的文档。

开放程度的几个层次

层次一：仅提供 API

模型完全闭源，只能通过服务商的接口调用。用户无法查看或修改模型，也无法自行部署。

层次二：开放权重（限制性许可）

权重可以下载，用户可以本地部署和微调，但许可证附带用户规模、使用用途等限制。训练数据和训练细节基本不公开。当前大量知名的“开源模型”属于这一类。许可证的具体条款可参考开源大模型许可证解读。

层次三：开放权重（宽松许可）

权重以 Apache 2.0、MIT 等宽松许可证发布，商业使用和再分发基本没有附加限制，但训练数据和训练配方可能仍不公开。

层次四：完全开放

除了权重，还公开训练数据或详细的数据来源与处理流程、训练代码、中间检查点和完整的技术细节，理论上允许他人从头复现整个训练过程。这类模型数量较少，多由研究机构和非营利组织发布。

开源软件领域的相关组织也发布了针对 AI 的开源定义，强调需要提供足够详细的数据信息、代码和参数，使他人能够实质性地重建和修改模型。

为什么这种区别很重要

可复现性与科学研究

只有权重，研究人员无法知道模型的能力从何而来、偏见如何产生、某些行为是由数据还是训练方法导致。完全开放的模型对于科学研究具有不可替代的价值。

安全与审计

了解训练数据有助于评估模型可能存在的偏见、数据污染、隐私泄露和版权风险。对于在关键领域使用模型的机构，这种透明度非常重要。

定制与改进

有了训练配方和数据处理流程，开发者可以更有针对性地改进模型，而不仅仅是在已有权重上做微调。

商业使用

许可证的限制直接决定了企业能否以及如何在产品中使用模型。

评测可信度

当训练数据不公开时，很难判断模型在某些基准测试上的高分是否因为测试题混入了训练数据，参见大模型榜单该怎么看。

开放权重的价值不容否定

尽管“开放权重”不等于严格意义上的开源，它仍然带来了巨大价值：

  • 企业可以私有化部署，数据不出边界；
  • 开发者可以根据需求微调和量化，方法见 LoRA 微调原理与实践；
  • 推动了推理优化、工具生态和应用创新的繁荣；
  • 降低了对少数闭源服务商的依赖。

如何描述更准确

在技术讨论和采购评估中，建议使用更精确的表述：说明模型是否开放权重、采用什么许可证、是否公开训练数据和训练代码。这比笼统地说“开源”或“闭源”更有信息量。

小结

大模型的开放程度是一个光谱，从仅提供 API，到开放权重，再到完全开放训练数据和代码。“开放权重”已经为产业带来了巨大价值，但它与传统意义上的开源仍有差距。理解这些层次，有助于你根据可复现性、安全审计、定制需求和商业合规等实际需要，做出更准确的判断。