开源大模型的4个Level
开源大模型的4个Level
随着开源大模型的兴起，不同组织对“开源”的理解出现了多样性。这是因为开源大模型不仅涉及传统的代码开源和服务开源，还新涉模型的参数、权重和训练数据等。目前，对开源模型的理解大致有四个Level，开放程度依次增加：OpenAI等为代表的封闭式“开源”，Meta等代表的自定义开源，DeepSeek等为代表的传统开源，以及OSI为代表的理想开源。
开源≠免费。
开源≠没有版权。
开源≠随意商用。
开源≠完全透明。
开源是有定义的。
OSI(Open Source Initiative)是开源软件领域的权威组织，其发布的开源定义(Open Source Definition, OSD),规定了开源软件的10项核心原则，包括自由分发、源代码可用性、允许修改、非歧视性等，以确保了开源软件的开放性、透明性和可访问性，是判断一个软件是否真正开源的重要标准。
自1998年以来，因为开源的巨大成功，一些企业纷纷冠以“开源”的名义，实则不满足或部分满足了 OSD 的基本定义。比如，前几年，OSI 就认为云计算领域的 SSPL 和 Elastic License 等新许可证不符合开源定义，因为它们引入了针对特定用户群体(如云服务提供商)的限制，违背了开源的非歧视性、自由分发和技术中立等核心原则。而主张采用新许可证的云计算相关企业则认为，传统开源定义是在“软件即产品”的背景下制定的，现在已经是 “软件即服务”了，因此有必要修订多年前对开源的基本定义，以约束云服务商在使用开源代码方面的“恶意”行为。
随着开源大模型的兴起，不同组织对“开源”理解的也出现了多样性。这是因为开源大模型不仅涉及传统的代码开源和服务开源，还新涉模型的参数、权重和训练数据等。
对开源模型的理解，目前大致有四个 Level，开放程度依次增加：
OpenAI 等为代表封闭式“开源”
核心理念：
早期 OpenAI 以开源和非营利为目标，但逐渐转向封闭模式。
通过 API 提供服务，不公开模型权重和训练细节。
特点：
封闭性：模型权重和训练数据不公开，仅提供黑箱化的 API。
商业化：通过订阅服务和 API 收费实现盈利。
安全性：闭源模式有助于控制模型滥用风险。
争议：
违背了开源的核心精神，被批评为技术垄断。
Meta 等代表的自定义开源
核心理念：
开源模型（如 LLaMA），但采用自定义许可证（如 LLaMA 社区许可协议）。
强调研究和非商业用途，限制商业使用。
特点：
有限开放：公开模型权重，但限制商业使用和分发。
研究导向：主要面向学术机构和非营利组织。
访问控制：用户需申请访问权限，Meta 保留批准权。
争议：
自定义许可证限制了模型的广泛使用，不符合完全开源的定义。
DeepSeek 等为代表的传统开源
核心理念：
采用传统开源许可证（如 Apache 2.0），完全开放模型权重和代码。
强调自由使用、修改和分发，包括商业用途。
特点：
完全开放：模型权重、代码和部分训练数据公开。
商业友好：允许商业使用，无歧视性限制。
社区驱动：鼓励社区协作和创新。
优势：
符合传统开源定义，推动技术普及和创新。
OSI 为代表的理想开源
核心理念：
OSI 正在制定 OSAID 1.0（Open Source AI Definition），旨在为开源 AI 系统提供明确标准。
强调透明度、可访问性和可修改性。
特点：
模型权重公开：要求公开模型权重，允许用户自由使用。
训练数据透明：尽可能公开训练数据的来源和组成。
代码和工具开源：训练和推理代码必须开源。
无歧视性：不得限制特定用户群体或用途。
目标：
确保开源 AI 系统符合开源精神，推动技术民主化。