开源与闭源 | 大模型 | 做产品

开源与闭源

「开源模型」这个说法借用了软件行业的词，但含义差得很远。软件开源你能看到全部源代码；模型开源，你通常只拿到权重——一堆训练好的数字。

你会遇到的现象

• 以为「开源」等于免费，算完自部署的账才发现比调 API 贵

• 下载了权重，却发现许可证不允许你这种商用方式

• 老板说「用开源的，数据安全」，但没人算过要买几张卡

开的到底是什么

一个模型由三部分构成：训练数据、权重、训练代码与配方。

所谓「开源模型」，绝大多数情况下只公开了中间那一块——权重。训练数据几乎从不公开（涉及版权和商业机密），完整的训练配方多数也不给。

这意味着：**你能用它，但复现不出它，也搞不清它到底学过什么。**所以业内更准确的叫法是「开放权重」（open-weight），而不是开源。你在训练数据那一节看到的那些偏向和缺口，在开放权重模型上同样存在，而且更难查证。

相对地，闭源模型连权重都不给，你只能通过 API 调用。你不知道它具体是什么结构、多大参数，厂商换了模型你也未必察觉得到。

许可证要看什么

「公开」不等于「随便用」。下载之前，让法务或者你自己确认三件事。

**一、能不能商用。**有些许可证只允许研究用途，商用要单独授权。

**二、有没有规模限制。**有的许可证写了用户量或收入的门槛，超过就要另外谈授权——这条最容易被忽略，等产品做大了才发现，那时候换模型的成本已经很高了。

**三、产出物和衍生模型归谁。**你用它微调出来的模型能不能自己发布、能不能闭源，不同许可证规定不一样。

许可证种类很多，宽松的接近标准开源协议，严格的更像「有条件的免费使用授权」。别看厂商宣传页上那句「完全开源」，去读许可证原文。

自部署的真实账

这是最容易算错的地方。很多人把「不用付 API 费」直接等同于「免费」。

实际要付的是这些：显卡（买或租，大模型往往需要多张高端卡）、电力与机房、运维人力（部署、监控、故障恢复、版本升级）、并发能力（要支撑多少人同时用，就要备多少冗余）。

关键在于，**这些成本大部分是固定的，跟你用不用无关。**API 是用多少付多少，半夜没人用就不花钱；自部署的卡在那放着，闲着也在烧钱。

所以结论几乎总是：**调用量低的时候，自部署单位成本高得离谱；只有量大到能把固定成本摊薄，才可能划算。**而「量大」的门槛，通常比团队预估的高不少。

另外还有一笔隐性账：能力差距。开放权重模型和头部闭源模型之间通常仍有差距，而且你要自己承担跟进新版本的工作——闭源 API 是厂商升级了你自动受益。

把「开源 = 省钱」这个等号去掉，再看这张图

总成本 调用量 →

回本点

调 API：用多少付多少 自部署：固定成本，闲着也在烧钱

这一整段里，自部署的 单位成本高得离谱

「量大」的门槛通常比团队预估的高不少。先用 API 跑一段时间，拿真实用量算一遍多久回本——算不明白就说明还不到时候。

显卡、电力机房、运维人力、并发冗余，这些成本大部分是固定的，跟你用不用无关。开源真正卖给你的是控制权：数据不出门、模型不会消失、版本你自己定——不是便宜。

什么时候才该自部署

符合下面任意一条，自部署才真正成立。

**一、数据绝对不能出门。**医疗、金融、政务、军工这类场景，合规要求压过一切成本考虑。这是自部署最正当、也最常见的理由。

**二、调用量大到能摊薄固定成本。**先用 API 跑一段时间，拿真实用量算一遍：按现在的量，自部署多久能回本？算不明白就说明还不到时候。

**三、需要深度定制。**要做大规模微调、改模型结构、或者部署到没有网络的环境，这些闭源 API 做不到。

**四、必须消除供应商风险。**不接受模型某天被下线、涨价或限流。这条对长周期的 B 端合同尤其重要。

如果一条都不占，那就用 API。**把「开源=省钱」这个等号去掉，你会做出更清醒的决定。**开源真正卖给你的是控制权：数据不出门、模型不会消失、版本你自己定——这在选择接入渠道时也是同一套逻辑。

还有个折中方案值得知道：**用云厂商托管的开放权重模型。**模型是开放权重的，但由云平台负责部署运维，你按调用量付费。拿到了模型选择的自由，又不用自己扛运维——对多数团队来说，这是比自建机房更现实的一条路。

从哪里拿到模型 五种渠道各自的控制权和责任边界，自部署只是其中一种。

训练数据从哪来 权重公开但数据不公开，意味着它学过什么你查不到。

主流模型厂商的差异 开放权重阵营和闭源阵营的性格差别，以及怎么放进同一张选型表。