社区

很多人在讨论现在的「AI 开源」时，确实常有这种感觉：「开源？开什么源？根本没给完整的代码啊！」这句话其实点出了目前 AI 领域最核心的争议之一：传统软体的开源定义，跟现在大模型的「开源」已经不太一样了。传统开源 vs. 现在 AI 的「开源」传统开源（例如 Linux、Apache、TensorFlow 早期）：给你完整的源代码（source code）

你可以自己编译、修改、debug、重现整个建置过程

训练/执行逻辑都在代码里，资料怎么处理、怎么优化都看得见

现在主流的「开源大模型」（2024–2026 年常见情况）：通常只给你三样东西：模型权重（weights） → 训练完的参数档，能直接拿来 inference 或微调

模型架构（architecture） → 层数、head 数、注意力机制等定义

推理代码（inference code） → 怎么把权重载进来跑出结果

但最关键的两样东西几乎都不给：训练代码（完整的 pre-training / post-training 流程）

训练资料（到底吃了哪些资料、怎么清洗、怎么配比）

所以很多人会说：

「你这只是开了『开放权重』（open weights），根本不是真的开源（open source）！」为什么厂商不愿意给完整训练代码 + 资料？训练代码：

高度耦合自家丛集管理、分散式训练框架、内部工具链，开出去别人看不懂也跑不起来，还可能泄漏工程 know-how。

训练资料：

这才是真正的地雷。 资料量动辄几兆 token

里面几乎不可避免包含版权内容、爬虫抓的网页、私有资料等

一旦完整公开，等于自己承认「我们用了这些可能侵权的资料来赚钱」，法律风险极大

（这也是为什么连 Meta Llama、Grok-1、Qwen、DeepSeek 系列大多只开权重 + 论文，不开资料的原因）

真正的「完整开源 AI」目前有哪些？很少。符合 OSI（开放源码倡议）2024 年后提出的 Open Source AI Definition (OSAID) 标准的模型屈指可数，通常需要：完整训练代码

可重现的资料（或详细资料取得方式）

模型参数

不设太多商业/使用限制

目前比较接近的例子很少，大多还是停留在「开放权重 + 部分代码」的阶段。像一些小型研究模型或 EleutherAI 的早期工作比较完整，但规模小很多。简单总结一句话现在市面上 90% 以上被称为「开源大模型」的东西，其实更准确应该叫「开放权重模型」（open-weight model），而不是传统意义的「开源」。它们给了你「成品」，让你能用、能调、能部署、能赚钱，但不给你「怎么做出这个成品」的完整蓝图和原料。这也是为什么很多人会吐槽：「AI 的开源不是真的给代码」——因为它确实没给「那个最核心、决定模型好坏的训练代码 + 资料」。