Open-weight dan Closed-weight Model

Model Open-weight dan Closed-weight — adalah dua pendekatan yang secara fundamental berbeda dalam pengembangan dan distribusi large language model (LLM), yang membentuk dikotomi utama dalam ekosistem kecerdasan buatan modern. Pilihan antara kedua pendekatan ini memengaruhi kemampuan teknis, ekonomi, keamanan, dan perkembangan AI di masa depan.

Perbedaannya terletak pada aksesibilitas parameter (bobot) model yang telah dilatih. Model Open-weight mempublikasikan bobotnya, memungkinkan komunitas untuk menggunakannya, memodifikasinya, dan men-deploy-nya secara lokal. Model Closed-weight, sebaliknya, menjaga kerahasiaan bobotnya dan hanya menyediakan akses ke kemampuannya melalui API proprietari.

Definisi dan Perbedaan Utama

Model Open-weight (dengan bobot terbuka)

Model Open-weight — adalah sistem di mana parameter (bobot) jaringan saraf yang telah dilatih tersedia secara publik untuk digunakan, dimodifikasi, dan didistribusikan. Menurut definisi Andrej Karpathy dari OpenAI, model semacam itu mirip dengan "menyerahkan file biner sistem operasi" — pengguna mendapatkan produk yang fungsional, tetapi, pada umumnya, tanpa akses ke kode sumber pelatihan atau data pelatihan.

Karakteristik utama:

• Deployment lokal: Kemampuan menjalankan model pada perangkat keras sendiri, memastikan kendali penuh atas data dan privasi.
• Fine-tuning: Kemampuan mengadaptasi model untuk tugas dan domain yang spesifik.
• Transparansi dan audit: Para peneliti dapat mempelajari mekanisme internal model untuk mengidentifikasi bias dan kerentanan.

Model Closed-weight (dengan bobot tertutup)

Model Closed-weight (juga dikenal sebagai model proprietari) — adalah sistem yang parameternya merupakan rahasia dagang dan hanya dapat diakses melalui API atau lisensi terbatas. Perusahaan pengembang, seperti OpenAI dan Anthropic, sepenuhnya mengendalikan arsitektur, metode pelatihan, dan mekanisme inferensi. Dalam laporan teknis GPT-4 secara eksplisit disebutkan penolakan untuk mengungkapkan detail, "mengingat lingkungan yang kompetitif dan implikasi keamanan dari model berskala besar".

Karakteristik utama:

• Kontrol terpusat: Pengembang mengelola pembaruan, keamanan, dan kebijakan penggunaan.
• Kemudahan penggunaan: Akses melalui API membebaskan pengguna dari keharusan mengelola infrastruktur yang kompleks.
• Ketidaktransparanan: Ketiadaan akses ke mekanisme internal membuat audit independen menjadi mustahil dan mempersulit pemahaman terhadap penyebab respons yang keliru atau bias.

Perbedaan dari Open-source

Penting untuk membedakan istilah open-weight dan open-source. Model open-source sejati mengandaikan publikasi seluruh artefak yang diperlukan untuk reproduksi: bobot, arsitektur, kode pelatihan, dan dataset. Sebagian besar model "terbuka" modern, seperti Llama dari Meta, bersifat open-weight, tetapi tidak sepenuhnya open-source, karena data pelatihan dan metode pelatihan yang tepat tetap tertutup.

Analisis Komparatif: Performa, Biaya, dan Inovasi

Performa dan Kustomisasi

Secara historis, model closed-weight seperti GPT-4 memimpin pada benchmark umum. Namun, kesenjangan performa menyempit dengan cepat. Menurut Stanford AI Index 2025, kesenjangan tersebut menyusut dari 8% menjadi 1,7% dalam setahun terakhir. Model open-weight yang kuat, seperti LLaMA 3.1 405B dari Meta dan DeepSeek-V3, menunjukkan hasil yang sebanding, bahkan pada beberapa tugas (terutama dalam pemrograman) — melampaui model closed-weight.

Keunggulan utama model open-weight terletak pada kustomisasi mendalam. Kemampuan fine-tuning pada data spesifik memungkinkannya melampaui model closed-weight yang lebih besar namun bersifat generalis dalam domain sempit seperti kedokteran atau hukum.

Aspek Ekonomi

• Biaya pelatihan: Pembuatan model frontier sangat mahal. Pelatihan GPT-4 diperkirakan menghabiskan lebih dari $100 juta. Model open-weight seperti DeepSeek-V3 mencapai performa serupa dengan biaya $5,5 juta, sehingga mendemokratisasi akses terhadap pembuatan sistem yang kuat.
• Biaya penggunaan (inferensi): Model closed-weight dikenakan tarif berdasarkan model pay-per-use melalui API, yang dapat menghasilkan pengeluaran tinggi pada volume besar. Model open-weight yang di-deploy secara lokal memerlukan investasi awal dalam infrastruktur, tetapi memiliki total cost of ownership (TCO) yang jauh lebih rendah saat diskalakan.

Dampak terhadap Penelitian Ilmiah dan Inovasi

Model open-weight secara fundamental mentransformasi penelitian ilmiah dengan memastikan reproduktifitas dan demokratisasi akses. Para peneliti di seluruh dunia dapat menganalisis, mengkritik, dan menyempurnakan model terbuka, yang menciptakan ekosistem yang dinamis dan mempercepat kemajuan. Sebaliknya, model tertutup menciptakan "krisis reproduktifitas", karena hasil yang diklaim tidak dapat diverifikasi secara independen.

Keamanan dan Dilema Etika

Masalah keamanan merupakan dilema sentral dalam perdebatan antara keterbukaan dan kontrol.

• Pendekatan Closed-weight (Pencegahan Terpusat): Pengembang seperti OpenAI dan Anthropic menerapkan pendekatan preventif. Mereka mengimplementasikan filter keamanan yang canggih, melakukan red teaming secara intensif, dan mematuhi kebijakan ketat seperti Responsible Scaling Policy dari Anthropic, dengan berkomitmen untuk tidak men-deploy model yang melampaui ambang risiko tertentu.
• Pendekatan Open-weight (Ketahanan Terdesentralisasi): Filosofi ini, serupa dengan dunia open-source, menganggap bahwa "banyak mata membuat semua kesalahan menjadi kecil". Komunitas dapat menemukan dan memperbaiki kerentanan dengan lebih cepat. Namun, hal ini juga menimbulkan risiko: pelaku kejahatan dapat dengan mudah mempelajari model untuk mencari kerentanan atau menghapus mekanisme perlindungan melalui fine-tuning.

Penelitian menunjukkan bahwa niat manusia, bukan aksesibilitas model, merupakan faktor risiko utama. 90% kasus penyalahgunaan AI generatif yang terdokumentasi terkait dengan eksploitasi kemampuan yang diizinkan, bukan bahaya yang dihasilkan oleh sistem itu sendiri.

Pendekatan Regulasi: Uni Eropa dan Amerika Serikat

• Undang-Undang AI Uni Eropa: Menerapkan pendekatan preventif berbasis risiko. Undang-undang ini memperkenalkan kewajiban ketat bagi model dengan "risiko sistemik" (yang memerlukan lebih dari 10²⁵ flops untuk pelatihan), tetapi memberikan pengecualian terbatas bagi model open-source yang tidak membawa risiko tersebut. Hal ini menciptakan insentif untuk transparansi, tetapi juga kompleksitas regulasi.
• Pendekatan Amerika Serikat: Didasarkan pada stimulasi inovasi dan manajemen risiko melalui standar industri. Perintah Eksekutif Presiden Biden 14110 dan laporan NTIA berikutnya merekomendasikan untuk menahan diri dari penerapan pembatasan segera pada model open-weight, dan sebaliknya mengusulkan pembentukan sistem pemantauan untuk pengambilan keputusan berbasis data faktual.

Model dan Pelaku Kunci

Tabel perbandingan model Open-weight dan Closed-weight terkemuka

Jenis Model	Model	Pengembang	Fitur Utama
Open-weight	LLaMA 3.1	Meta	Performa tinggi yang menetapkan standar untuk model terbuka; komunitas yang besar.
	Mixtral 8x7B	Mistral AI	Arsitektur "mixture of experts" (MoE) yang memberikan performa tinggi dengan biaya inferensi rendah.
Closed-weight	GPT-4 / GPT-4o	OpenAI	Pemimpin historis dalam performa, kemampuan multimodal yang kuat.
	Claude 4 Opus	Anthropic	Fokus pada keamanan dan etika (Constitutional AI), jendela konteks yang besar.

Referensi

• Stanford AI Index Report 2025 — Laporan tahunan tentang kondisi AI.
• Laporan NTIA tentang model dengan bobot terbuka

Daftar Pustaka

• 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.