发布会上听到“开源模型”，评论区就开始叫好。等有人把许可证翻开，常常发现商用人数、行业用途、训练竞品都被卡住了。说白了，权重能下载，不等于这个模型按开源软件的老规矩完整开放。
小编把这篇原稿收成一张选模型前能用的对照表。不给您讲概念，只讲三件事：开源原来指什么，现在哪些大发布没过线，以及为什么不能一口气要求训练数据全公开。
开源原来有明确规矩
“开源”这个词，是 Christine Peterson 在 1998 年 2 月提出来的，背景是 Netscape 把浏览器源代码放出去。后来 Bruce Perens 把 Debian 自由软件指引改成《开源定义》，交给开源促进组织 OSI。里面大致十条：能自由再分发，能看到全部源代码，能自己改、自己编译，也不能按人群或用途把人拦在外面。
以前也有人想两头占。太阳的 Community Source、微软的 Shared Source，都限制商用或要收许可费，所以不算开源。自由软件基金会后来写 GPLv3，也是为了防厂商把改过的软件锁死在设备里。
大模型不是一行行人写的指令。它从海量数据里学出一堆数字权重。公司发布时，多数只给权重和一点跑起来的代码。训练数据、清洗流程、参数怎么定的，通常不公开。再套一份自定义许可证，您拿到的是一个能跑、但重建不出来的黑盒。把这叫开源，是把旧词拉得太长了。
几个大发布，许可证并不合格
这事不只是市场部的锅。开源社区自己也助了一把力：大名维护者、基金会和平台，把“开放权重”当成开源在传，却很少问它过不过 OSI 那条线。开源主要靠社区共识和许可证审查，不是法院判例。大公司开始自称开源时，没有人能一下子拿制定法把它们拉回来。
| 发布 | 表面 | 许可证里的关键限制 |
|---|---|---|
| Meta Llama 2 | 自定义社区许可 | 月活用户超过 7 亿的公司，要另拿商业许可 |
| xAI Grok-1 权重 | Apache 2.0 | 权重许可很宽，但训练全过程并不开放 |
| Microsoft Phi-2 | MIT | 代码与权重许可宽松，仍不等于可完整复现训练 |
| Pythia、OLMo、Amber | 完整公开项目 | OSI 审查里，这类才过线 |
原文还提到，不少发布附带可接受使用政策：不许用在执法、信用评分，或不许拿输出去训练竞品模型。这些从安全角度说得通，但和“任何人、任何用途”的开源定义冲突。OSI 正式看过 Llama 2、Grok、Phi-2、Mixtral，都没算开源。过线的是 EleutherAI 的 Pythia、AI2 的 OLMo、LLM360 的 Amber 这类把过程也交代清楚的项目。
Hugging Face 曾把符合 OSI 的发布，和专有、仅源码可用的模型，放在同一套“开源”筛选里。搜索是方便了，标签却更模糊。
为什么不能要求训练数据全公开
把“必须公开全部训练数据”当成唯一标准，也会卡住。大模型的数据里常有受版权保护的内容，医疗和金融数据还受 GDPR 这类法律约束，公开再分发本身就可能违法。有些数据还有文化约定，比如新西兰毛利数据的许可，强调社区对自己数据的控制权。
要是只认公有领域文本训出来的模型，医疗这类领域就几乎没有开放模型可用。另一头，完全闭源 API 只掌握在几家公司手里。能把权重拿回本机、做微调、做加速、查安全问题，已经比那种世界好。
- 真正开源：代码、权重、训练过程都能核查，许可证不按用途和公司规模歧视。
- 开放权重：能下载、能本地跑、能微调，但重建不出来，或许可证有附加条件。
- 闭源 API：只能调用，模型不在您手里。
选之前，先花十分钟看许可证
没有一个完美答案。卡得太死，会把医疗这类模型挡在门外；标签太松，公司就在借开源积了几十年的信任。大多数发布会卡在中间。这没问题，前提是明说。
您要拿一个模型做产品，先读许可证，再读发布稿。若想看一款开放权重模型的实际许可证、性能和部署条件，可以接着看Mistral Large 4 是什么？万亿参数模型值得用吗。十分钟能省下后面几个月的返工。如果您关心权重能不能在自己电脑上跑，可以接着看骁龙笔记本跑本地大模型；小模型知识不够时，也可以接一份离线维基，写在小模型总瞎编？给本地大模型接上离线维基。想看开放项目能做到哪一步，再看三个实验操作系统。