Open-weight at Closed-weight na mga Modelo

Ang Open-weight at Closed-weight na mga modelo — ito ay dalawang pundamental na magkaibang diskarte sa pagbuo at pamamahagi ng malalaking modelo ng wika (LLM), na bumubuo ng pangunahing dichotomy sa modernong ecosystem ng artipisyal na katalinuhan. Ang pagpili sa pagitan ng mga diskarteng ito ay nakaaapekto sa mga teknikal na kakayahan, ekonomiya, kaligtasan, at hinaharap na pag-unlad ng AI.

Ang pagkakaiba ay nasa availability ng mga sinanay na parameter (weights) ng modelo. Ang Open-weight na mga modelo ay nagpo-publish ng kanilang mga weights, na nagpapahintulot sa komunidad na gamitin, baguhin, at i-deploy ang mga ito nang lokal. Ang Closed-weight na mga modelo, sa kabilang banda, ay pinapanatiling lihim ang mga weights, at nagbibigay ng access sa kanilang mga kakayahan nang eksklusibo sa pamamagitan ng mga proprietary API.

Mga Kahulugan at Pangunahing Pagkakaiba

Mga Modelo ng Open-weight (na may bukas na mga weights)

Ang mga modelo ng Open-weight — ito ay mga sistema kung saan ang mga sinanay na parameter (weights) ng neural network ay publiko at available para sa paggamit, pagbabago, at pamamahagi. Ayon sa kahulugan ni Andrej Karpathy mula sa OpenAI, ang ganitong modelo ay katulad ng "pagbibigay ng binary file ng operating system" — ang mga gumagamit ay nakakakuha ng isang gumaganang produkto, ngunit, sa pangkalahatan, nang walang access sa source code ng pagsasanay o sa data ng pagsasanay.

Mga pangunahing katangian:

• Lokal na deployment: Kakayahang patakbuhin ang modelo sa sariling kagamitan, na tinitiyak ang ganap na kontrol sa data at pagiging kumpidensyal.
• Fine-tuning: Kakayahang iaangkop ang modelo para sa mga tiyak na gawain at domain.
• Transparency at audit: Maaaring pag-aralan ng mga mananaliksik ang mga panloob na mekanismo ng modelo upang matukoy ang mga pagkiling at kahinaan.

Mga Modelo ng Closed-weight (na may saradong mga weights)

Ang mga modelo ng Closed-weight (kilala rin bilang proprietary) — ito ay mga sistema na ang mga parameter ay isang komersyal na lihim at available lamang sa pamamagitan ng API o limitadong mga lisensya. Ang mga kumpanyang nagtatayo, tulad ng OpenAI at Anthropic, ay ganap na kumukontrol sa arkitektura, mga pamamaraan ng pagsasanay, at mga mekanismo ng inference. Sa teknikal na ulat ng GPT-4, malinaw na isinasaad ang pagtanggi na ibunyag ang mga detalye, "dahil sa mapagkumpitensyang kapaligiran at mga kahihinatnan para sa kaligtasan ng malalaking modelo".

Mga pangunahing katangian:

• Sentralisadong kontrol: Pinamamahalaan ng developer ang mga update, kaligtasan, at mga patakaran sa paggamit.
• Kadalian ng paggamit: Ang access sa pamamagitan ng API ay nagpapalaya sa mga gumagamit mula sa pangangailangan na pamahalaan ang kumplikadong imprastraktura.
• Kawalang-transparency: Ang kawalan ng access sa mga panloob na mekanismo ay ginagawang imposible ang independiyenteng audit at nagpapahirap sa pag-unawa sa mga dahilan ng maling o may kinikilingang mga sagot.

Pagkakaiba mula sa Open-source

Mahalaga na makilala ang mga termino ng open-weight at open-source. Ang tunay na open-source na modelo ay nagpapahiwatig ng publikasyon ng lahat ng mga artifact na kinakailangan para sa pagpaparami: mga weights, arkitektura, code ng pagsasanay, at mga dataset. Karamihan sa mga modernong "bukas" na modelo, tulad ng Llama mula sa Meta, ay open-weight, ngunit hindi ganap na open-source, dahil ang kanilang data sa pagsasanay at eksaktong mga pamamaraan ng pagsasanay ay nananatiling sarado.

Komparatibong Pagsusuri: Pagganap, Gastos, at Inobasyon

Pagganap at Customization

Sa kasaysayan, ang mga closed-weight na modelo, tulad ng GPT-4, ay nanguna sa mga pangkalahatang benchmark. Gayunpaman, ang agwat sa pagganap ay mabilis na lumiliit. Ayon sa Stanford AI Index 2025, ito ay lumiliit mula 8% hanggang 1.7% sa nakaraang taon. Ang mga makapangyarihang open-weight na modelo, tulad ng LLaMA 3.1 405B mula sa Meta at DeepSeek-V3, ay nagpapakita ng maihahambing, at sa ilang mga gawain (lalo na sa programming) — pati na rin ng mas mataas na mga resulta.

Ang pangunahing kalamangan ng mga open-weight na modelo ay ang malalim na customization. Ang kakayahang mag-fine-tune sa tiyak na data ay nagpapahintulot sa kanila na malampasan ang mas malalaki ngunit pangkalahatang mga closed-weight na modelo sa mga makitid na larangan, tulad ng medisina o batas.

Mga Aspetong Pang-ekonomiya

• Gastos ng pagsasanay: Ang paglikha ng mga frontier na modelo ay napakamahirap. Ang pagsasanay ng GPT-4 ay tinatayang nagkakahalaga ng higit sa $100 milyon. Ang mga open-weight na modelo, tulad ng DeepSeek-V3, ay nakakamit ng katulad na pagganap sa gastos na $5.5 milyon, na nagde-demokratisa ng access sa paglikha ng mga makapangyarihang sistema.
• Gastos ng paggamit (inference): Ang mga closed-weight na modelo ay sinisingil ayon sa modelong pay-per-use sa pamamagitan ng API, na maaaring humantong sa mataas na gastos sa malaking dami. Ang mga open-weight na modelo na naka-deploy nang lokal ay nangangailangan ng paunang pamumuhunan sa imprastraktura, ngunit mayroon silang mas mababang kabuuang halaga ng pagmamay-ari (TCO) sa pag-scale.

Impluwensya sa Siyentipikong Pananaliksik at Inobasyon

Ang mga open-weight na modelo ay pundamental na binabago ang siyentipikong pananaliksik, na tinitiyak ang reproducibility at demokratisasyon ng access. Ang mga mananaliksik sa buong mundo ay maaaring suriin, kritikuhin, at pagbutihin ang mga bukas na modelo, na lumilikha ng isang dynamic na ecosystem at nagpapabilis ng pag-unlad. Sa kabilang banda, ang mga saradong modelo ay lumilikha ng "krisis sa reproducibility", dahil ang mga iniulat na resulta ay hindi maaaring independiyenteng ma-verify.

Kaligtasan at Mga Etikal na Dilema

Ang tanong ng kaligtasan ay ang sentral na dilema sa debate sa pagitan ng openness at kontrol.

• Diskarte ng Closed-weight (Sentralisadong Pag-iwas): Ang mga developer, tulad ng OpenAI at Anthropic, ay gumagamit ng preventive na diskarte. Nag-iimplemento sila ng mga kumplikadong filter sa kaligtasan, nagsasagawa ng matinding red teaming, at sumusunod sa mahigpit na mga patakaran, tulad ng Responsible Scaling Policy mula sa Anthropic, na nangangako na hindi mag-deploy ng mga modelo na lumalagpas sa ilang mga threshold ng panganib.
• Diskarte ng Open-weight (Desentralisadong Katatagan): Ang pilosopiyang ito, katulad ng mundo ng open-source, ay nagpapahiwatig na "maraming mata ang nagpapaliit sa lahat ng mga pagkakamali". Mas mabilis na makakahanap at makakaayos ng mga kahinaan ang komunidad. Gayunpaman, ito ay lumilikha rin ng mga panganib: ang mga malisyosong gumagamit ay maaari ring pag-aralan ang mga modelo upang hanapin ang mga kahinaan o alisin ang mga mekanismo ng proteksyon sa pamamagitan ng fine-tuning.

Ipinakita ng mga pananaliksik na ang intensyon ng tao, at hindi ang availability ng modelo, ang pangunahing salik ng panganib. Ang 90% ng mga dokumentadong kaso ng pag-abuso sa generative AI ay may kaugnayan sa pagsasamantala ng mga pinahintulutang kakayahan, at hindi sa pinsalang ginawa ng mga sistema mismo.

Mga Regulatoryong Diskarte: EU at USA

• Batas ng EU sa AI: Gumagamit ng preventive, risk-oriented na diskarte. Ang batas ay nagpapakilala ng mahigpit na mga obligasyon para sa mga modelo na may "sistemikong panganib" (na nangangailangan ng higit sa 10²⁵ flops para sa pagsasanay), ngunit nagbibigay ng limitadong mga eksepsyon para sa mga open-source na modelo na hindi nagdadala ng ganitong panganib. Lumilikha ito ng insentibo para sa transparency, ngunit pati na rin ng regulatoryong kumplikasyon.
• Diskarte ng USA: Batay sa pagpapabuti ng inobasyon at pamamahala ng panganib sa pamamagitan ng mga pamantayan sa industriya. Ang Executive Order ng Pangulo Biden 14110 at ang kasunod na ulat ng NTIA ay nagrerekomenda na pigilin ang agarang pagpapakilala ng mga paghihigpit sa mga open-weight na modelo, na nagmumungkahi sa halip na lumikha ng isang sistema ng pagsubaybay para sa paggawa ng desisyon batay sa aktwal na data.

Mga Pangunahing Modelo at Manlalaro

Komparatibong talahanayan ng mga nangungunang Open-weight at Closed-weight na modelo

Uri ng Modelo	Modelo	Developer	Pangunahing Katangian
Open-weight	LLaMA 3.1	Meta	Mataas na pagganap na nagtatakda ng pamantayan para sa mga bukas na modelo; malaking komunidad.
	Mixtral 8x7B	Mistral AI	Arkitektura ng "mixture of experts" (MoE), na nagbibigay ng mataas na pagganap sa mababang gastos ng inference.
Closed-weight	GPT-4 / GPT-4o	OpenAI	Makasaysayang lider sa pagganap, malakas na multimodal na mga kakayahan.
	Claude 4 Opus	Anthropic	Pokus sa kaligtasan at etika (Constitutional AI), malaking context window.

Mga Sanggunian

• Stanford AI Index Report 2025 — Taunang ulat sa kalagayan ng AI.
• Ulat ng NTIA sa mga modelo na may bukas na mga weights

Panitikan

• 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.