Open-weight a Closed-weight modely

Open-weight a Closed-weight modely — to jsou dva fundamentálně odlišné přístupy k vývoji a šíření velkých jazykových modelů (LLM), které tvoří klíčovou dichotomii v moderním ekosystému umělé inteligence. Volba mezi těmito přístupy ovlivňuje technické možnosti, ekonomiku, bezpečnost a budoucí rozvoj AI.

Rozdíl spočívá v dostupnosti natrénovaných parametrů (vah) modelu. Open-weight modely zveřejňují své váhy, čímž umožňují komunitě jejich využití, modifikaci a lokální nasazení. Closed-weight modely naproti tomu uchovávají váhy v tajnosti a přístup ke svým možnostem poskytují výhradně prostřednictvím proprietárních API.

Definice a klíčové rozdíly

Modely Open-weight (s otevřenými vahami)

Open-weight modely — to jsou systémy, v nichž jsou natrénované parametry (váhy) neuronové sítě veřejně dostupné pro použití, modifikaci a šíření. Podle definice Andreje Karpathyho z OpenAI je takovýto model podobný „předání binárního souboru operačního systému" — uživatelé získávají funkční produkt, avšak zpravidla bez přístupu ke zdrojovému kódu trénování nebo trénovacím datům.

Klíčové charakteristiky:

• Lokální nasazení: Možnost spouštět model na vlastním hardwaru, čímž je zajištěna plná kontrola nad daty a soukromím.
• Jemné doladění (Fine-tuning): Možnost přizpůsobit model specifickým úlohám a doménám.
• Transparentnost a audit: Výzkumníci mohou studovat vnitřní mechanismy modelu za účelem odhalení předpojatostí a zranitelností.

Modely Closed-weight (s uzavřenými vahami)

Closed-weight modely (také známé jako proprietární) — to jsou systémy, jejichž parametry jsou obchodním tajemstvím a jsou přístupné pouze prostřednictvím API nebo omezených licencí. Vývojářské společnosti, jako jsou OpenAI a Anthropic, plně kontrolují architekturu, metody trénování a mechanismy inference. V technické zprávě GPT-4 je přímo uvedeno odmítnutí zveřejnit podrobnosti „s ohledem na konkurenční prostředí a bezpečnostní důsledky rozsáhlých modelů".

Klíčové charakteristiky:

• Centralizovaná kontrola: Vývojář spravuje aktualizace, bezpečnost a zásady použití.
• Snadnost použití: Přístup přes API zbavuje uživatele nutnosti spravovat složitou infrastrukturu.
• Neprůhlednost: Absence přístupu k vnitřním mechanismům znemožňuje nezávislý audit a ztěžuje pochopení příčin chybných nebo předpojatých odpovědí.

Rozdíl od Open-source

Je důležité rozlišovat pojmy open-weight a open-source. Skutečný open-source model předpokládá zveřejnění všech artefaktů nezbytných pro reprodukci: vah, architektury, kódu trénování a datových sad. Většina současných „otevřených" modelů, jako je Llama od Meta, je open-weight, ale není plně open-source, protože jejich trénovací data a přesné metody trénování zůstávají uzavřené.

Srovnávací analýza: výkon, náklady a inovace

Výkon a kastomizace

Historicky closed-weight modely, jako GPT-4, vedly v obecných benchmarcích. Nicméně výkonnostní rozdíl se rychle zmenšuje. Podle údajů Stanford AI Index 2025 se za poslední rok zmenšil z 8 % na 1,7 %. Výkonné open-weight modely, jako LLaMA 3.1 405B od Meta a DeepSeek-V3, dosahují srovnatelných, a v některých úlohách (zejména v programování) i převyšujících výsledků.

Klíčová výhoda open-weight modelů spočívá v hluboké kastomizaci. Možnost doladění na specifických datech jim umožňuje překonat větší, ale univerzální closed-weight modely v úzkých oblastech, jako je medicína nebo právo.

Ekonomické aspekty

• Náklady na trénování: Vytvoření frontier modelů je mimořádně nákladné. Trénování GPT-4 se odhaduje na více než 100 milionů USD. Open-weight modely, jako DeepSeek-V3, dosahují podobného výkonu při nákladech 5,5 milionu USD, čímž demokratizují přístup k vytváření výkonných systémů.
• Náklady na použití (inference): Closed-weight modely jsou zpoplatněny podle modelu pay-per-use prostřednictvím API, což může při velkých objemech vést k vysokým výdajům. Open-weight modely nasazené lokálně vyžadují počáteční investice do infrastruktury, avšak při škálování mají výrazně nižší celkové náklady na vlastnictví (TCO).

Vliv na vědecký výzkum a inovace

Open-weight modely fundamentálně transformují vědecký výzkum tím, že zajišťují reprodukovatelnost a demokratizaci přístupu. Výzkumníci po celém světě mohou otevřené modely analyzovat, kritizovat a zlepšovat, čímž vzniká dynamický ekosystém a dochází k urychlení pokroku. Naproti tomu uzavřené modely vytvářejí „krizi reprodukovatelnosti", protože deklarované výsledky nelze nezávisle ověřit.

Bezpečnost a etická dilemata

Otázka bezpečnosti je ústředním dilematem v debatě mezi otevřeností a kontrolou.

• Přístup Closed-weight (Centralizovaná prevence): Vývojáři, jako jsou OpenAI a Anthropic, uplatňují preventivní přístup. Implementují složité bezpečnostní filtry, provádějí intenzivní „červené týmování" (red teaming) a dodržují přísné zásady, jako je Responsible Scaling Policy od Anthropic, přičemž se zavazují nenasazovat modely překračující určité prahové hodnoty rizika.
• Přístup Open-weight (Decentralizovaná odolnost): Tato filozofie, podobná světu open-source, předpokládá, že „mnoho očí dělá všechny chyby drobnými". Komunita může rychleji nacházet a opravovat zranitelnosti. To však přináší i rizika: záškodníci mohou stejně snadno studovat modely za účelem hledání zranitelností nebo odstraňovat ochranné mechanismy prostřednictvím doladění.

Výzkumy ukazují, že lidský záměr, nikoli dostupnost modelu, je hlavním faktorem rizika. 90 % zdokumentovaných případů zneužití generativní AI souvisí s využíváním povolených schopností, nikoli se škodami generovanými samotnými systémy.

Regulatorní přístupy: EU a USA

• Zákon EU o AI: Uplatňuje preventivní, rizikově orientovaný přístup. Zákon zavádí přísné povinnosti pro modely se „systémovým rizikem" (vyžadující pro trénování více než 10²⁵ FLOPS), avšak poskytuje omezené výjimky pro open-source modely, které takové riziko nepředstavují. To vytváří podnět k transparentnosti, ale i regulatorní složitost.
• Přístup USA: Je založen na podpoře inovací a řízení rizik prostřednictvím odvětvových standardů. Výkonný příkaz prezidenta Bidena č. 14110 a následná zpráva NTIA doporučují zdržet se okamžitého zavádění omezení na open-weight modely a navrhují místo toho vytvořit systém monitorování pro rozhodování na základě faktických dat.

Klíčové modely a hráči

Srovnávací tabulka předních Open-weight a Closed-weight modelů

Typ modelu	Model	Vývojář	Klíčová vlastnost
Open-weight	LLaMA 3.1	Meta	Vysoký výkon, který nastavil standard pro otevřené modely; velká komunita.
Mixtral 8x7B	Mistral AI	Architektura „směsi expertů" (MoE) zajišťující vysoký výkon při nízkých nákladech na inference.
Closed-weight	GPT-4 / GPT-4o	OpenAI	Historický lídr ve výkonu, silné multimodální schopnosti.
Claude 4 Opus	Anthropic	Zaměření na bezpečnost a etiku (Constitutional AI), velké kontextové okno.

Odkazy

• Stanford AI Index Report 2025 — Výroční zpráva o stavu AI.
• Zpráva NTIA o modelech s otevřenými vahami

Literatura

• OpenAI et al. (2023). GPT-4 Technical Report. arXiv:2303.08774.
• Touvron, H. et al. (2023). Llama 2: Open Foundation and Fine-Tuned Chat Models. arXiv:2307.09288.
• DeepSeek-AI (2025). DeepSeek-V3 Technical Report. arXiv:2412.19437.
• Kapoor, S.; Bommasani, R. et al. (2024). On the Societal Impact of Open Foundation Models. arXiv:2403.07918.
• U.S. NTIA (2024). Dual-Use Foundation Models with Widely Available Model Weights. NTIA Report.
• Stanford HAI (2025). Artificial Intelligence Index Report 2025. Full PDF.
• Anthropic (2023). Responsible Scaling Policy. Anthropiс RSP.
• Klyman, K. et al. (2024). A Design Framework for Open-Source Foundation Model Safety. arXiv:2406.10415.
• Kembery, E.; Reed, T. (2024). AI Safety Frameworks Should Include Procedure for Model Access Decisions. arXiv:2411.10547.
• European Commission (2024). General-Purpose AI Models in the AI Act – Q&A. EU AI Act FAQ.
• Zhang, X. et al. (2025). Mitigating Cyber Risk in the Age of Open-Weight LLMs. arXiv:2505.17109.
• Biderman, S. et al. (2024). Risks and Opportunities of Open-Source Generative AI. arXiv:2405.08597.