开源与闭源

开放权重买到的是控制权：数据不出门、模型不会下架、版本由你定。它不买到便宜——算力、运维和并发都要你自己扛。

「开源模型」这个词是从软件行业借来的，含义差得很远。软件开源你能拿到全部源代码；模型开源，你通常只拿到权重——一堆训练好的数字。这决定了它买到的是什么，也决定了它买不到什么。

读完你能回答：

叫「开源」只兑现了一部分

构成一个模型的东西有三样：训练数据、权重、训练代码与配方。

市面上说的「开源模型」，通常只把三样里的第二样交出来，也就是权重。训练数据基本不会给，完整的训练配方也大多保留。所以这个词更准确的说法应该是开放权重。

它带来的后果是：这个模型你能用，但复制不出来，也无从确认它究竟学过什么。训练数据那一节讲的那些偏向与缺口，在开放权重的模型身上一样成立，并且更难核实。至于「怎样才算 AI 开源」，OSI 给出的定义严格得多，仅仅放出权重通常达不到那条线。osi-def

闭源模型则连权重也不给，只能用接口去调。它的结构是什么样、规模有多大，你都不知道；厂商把底层模型换掉，你也未必能察觉。

所以「开放」这个词兑现的只是运行权。你要不要把这份运行权换成真金白银的投入，取决于它带来的另外三样东西对你值不值。

开放权重带来的三件事，没有一件是价格上的：

这三条才是它卖给你的东西。价格是另一条账，而且往往不站在这一边。

换句话说，判断该不该走这条路的第一步，是分清你缺的到底是控制权还是便宜。两条路的答案经常是相反的。

最常见的错误是把「不用付接口费」直接等同于「免费」。

真正要掏钱的地方是这些：算力（无论买还是租，大模型动辄要占好几张卡）、电力和机房、运维人手（部署、监控、故障恢复、版本升级）与并发余量（在线的人越多，要预留的冗余就越大）。

要紧的是，这几项开支绝大部分属于固定成本，跟你实际用掉多少没有关系。调接口是按实际消耗结算的，凌晨没有请求就不产生费用；而自部署的机器摆在那里，即便闲置，钱也在持续流走。

所以结论往往很一致：请求量小的时候，自部署摊到每个请求上的成本高得惊人；只有当请求量大到足以把固定成本摊薄，它才可能变得划算。至于「大」到什么程度才算够，这个门槛通常明显高于团队一开始的估计。

还有一笔不容易看见的账：能力差距与跟进成本。开放权重的模型和头部闭源模型之间一般仍有距离，而且每次新版本出来，评测和调优的工作都得由你自己承担；走接口则相反，厂商完成升级，你直接受益。stanford-ai-index

符合下面任意一条，自部署才真正成立。

数据绝对不能出门。一份尚未公开的定价方案、一段客户的原始通话录音、任何受监管的个人信息，只要不能离开你的环境，这条路就只剩一个选择。合规要求在这里压过成本考虑，这是最正当也最常见的理由。
必须冻结一个版本。长周期的交付或合同里，不接受模型行为在某天悄悄变化。
用量大到能摊薄固定成本。先用接口跑一段时间，拿真实用量算一遍回本周期。算不明白，就说明还不到时候。
需要拥有一个微调变体。基于自己的数据做过微调、并且这个变体必须留在自己手里，这一条只有开放权重能给你。

一条都不占，就用接口。不再把「开源」和「省钱」划等号，判断会清醒得多。

把机器和运维接过来，你仍然能拿到一部分控制权：选云平台上托管的开放权重模型。

权重本身是开放的，运行由平台负责，你按实际调用量结算。这样挑模型的自由还在——同一批权重，今天这家不满意，明天可以换一家托管服务，不用重新采购硬件。代价是数据要经过平台，版本迁移也受平台的下线安排影响，比自建少了两分掌控。

它的位置很清楚：如果一个团队既被控制权的问题困住，又够不到自部署的量，这条路通常比硬上自建机房务实得多。但它解决的是运维负担，不是数据边界——那一条只有自建才能给你。

推不出「开放权重一定更差」。差距在缩小，而且在分类、抽取这类任务上，一个够用的开放权重模型完全能胜任。它推不出的是「所以自部署一定更便宜」——那是两条独立的账。

也推不出「所以先选便宜的就行」。真正的成本差异常常不在单价，而在你为了让一个便宜模型达到及格线要多花多少工程时间，以及换模型时那一层封装要不要重做。选型要一起看的，是单价、切换成本和你的用例表现这三样。

钱的事到这里讲完了，下一章换一个更要紧的问题：它交回来的话，哪些能信。先从根子看起——它读过的世界，停在某一天。