Open-weight e Closed-weight

Modelli Open-weight e Closed-weight — sono due approcci fondamentalmente distinti allo sviluppo e alla distribuzione dei grandi modelli linguistici (LLM), che formano la principale dicotomia nell'ecosistema contemporaneo dell'intelligenza artificiale. La scelta tra questi approcci influisce sulle capacità tecniche, sull'economia, sulla sicurezza e sullo sviluppo futuro dell'IA.

La differenza risiede nella disponibilità dei parametri addestrati (pesi) del modello. I modelli Open-weight pubblicano i propri pesi, consentendo alla comunità di utilizzarli, modificarli e distribuirli localmente. I modelli Closed-weight, al contrario, mantengono i pesi segreti, fornendo accesso alle proprie capacità esclusivamente tramite API proprietarie.

Definizioni e differenze chiave

Modelli Open-weight (con pesi aperti)

I modelli Open-weight sono sistemi in cui i parametri addestrati (pesi) della rete neurale sono pubblicamente disponibili per l'utilizzo, la modifica e la distribuzione. Secondo la definizione di Andrej Karpathy di OpenAI, un tale modello è simile alla "consegna di un file binario del sistema operativo" — gli utenti ricevono un prodotto funzionale, ma generalmente senza accesso al codice sorgente di addestramento o ai dati di training.

Caratteristiche principali:

• Distribuzione locale: Possibilità di eseguire il modello su hardware proprio, garantendo pieno controllo sui dati e la riservatezza.
• Ottimizzazione (Fine-tuning): Possibilità di adattare il modello a compiti e domini specifici.
• Trasparenza e audit: I ricercatori possono studiare i meccanismi interni del modello per identificare bias e vulnerabilità.

Modelli Closed-weight (con pesi chiusi)

I modelli Closed-weight (noti anche come proprietari) sono sistemi i cui parametri costituiscono un segreto commerciale e sono accessibili solo tramite API o licenze limitate. Le aziende sviluppatrici, come OpenAI e Anthropic, controllano completamente l'architettura, i metodi di addestramento e i meccanismi di inferenza. Nel rapporto tecnico di GPT-4 viene esplicitamente indicato il rifiuto di divulgare dettagli, "tenendo conto dell'ambiente competitivo e delle implicazioni per la sicurezza dei modelli su larga scala".

Caratteristiche principali:

• Controllo centralizzato: Lo sviluppatore gestisce aggiornamenti, sicurezza e politiche di utilizzo.
• Semplicità d'uso: L'accesso tramite API esonera gli utenti dalla necessità di gestire un'infrastruttura complessa.
• Opacità: L'assenza di accesso ai meccanismi interni rende impossibile un audit indipendente e rende difficile comprendere le cause di risposte errate o distorte.

Differenza rispetto all'Open-source

È importante distinguere i termini open-weight e open-source. Un vero modello open-source prevede la pubblicazione di tutti gli artefatti necessari per la riproduzione: pesi, architettura, codice di addestramento e dataset. La maggior parte dei modelli «aperti» contemporanei, come Llama di Meta, sono open-weight ma non completamente open-source, poiché i loro dati di addestramento e i metodi precisi di training rimangono chiusi.

Analisi comparativa: prestazioni, costi e innovazione

Prestazioni e personalizzazione

Storicamente i modelli closed-weight, come GPT-4, hanno guidato i benchmark generali. Tuttavia, il divario nelle prestazioni si sta rapidamente riducendo. Secondo lo Stanford AI Index 2025, si è ridotto dall'8% all'1,7% nell'ultimo anno. Potenti modelli open-weight, come LLaMA 3.1 405B di Meta e DeepSeek-V3, mostrano risultati comparabili e, in alcuni compiti (specialmente nella programmazione), superiori.

Il vantaggio chiave dei modelli open-weight risiede nella personalizzazione approfondita. La possibilità di effettuare fine-tuning su dati specifici consente loro di superare modelli closed-weight più grandi ma generalisti in ambiti ristretti, come la medicina o il diritto.

Aspetti economici

• Costo di addestramento: La creazione di modelli all'avanguardia (frontier) è estremamente costosa. Il costo di addestramento di GPT-4 è stimato in oltre $100 milioni. I modelli open-weight, come DeepSeek-V3, raggiungono prestazioni simili con una spesa di $5,5 milioni, democratizzando l'accesso alla creazione di sistemi potenti.
• Costo di utilizzo (inferenza): I modelli closed-weight applicano un modello tariffario pay-per-use tramite API, il che può comportare spese elevate con grandi volumi. I modelli open-weight distribuiti localmente richiedono un investimento iniziale in infrastruttura, ma presentano un costo totale di proprietà (TCO) significativamente inferiore su scala.

Impatto sulla ricerca scientifica e sull'innovazione

I modelli open-weight trasformano fondamentalmente la ricerca scientifica, garantendo riproducibilità e democratizzazione dell'accesso. I ricercatori di tutto il mondo possono analizzare, criticare e migliorare i modelli aperti, creando un ecosistema dinamico e accelerando il progresso. I modelli chiusi, al contrario, generano una «crisi di riproducibilità», poiché i risultati dichiarati non possono essere verificati in modo indipendente.

Sicurezza e dilemmi etici

La questione della sicurezza è il dilemma centrale nel dibattito tra apertura e controllo.

• Approccio Closed-weight (prevenzione centralizzata): Gli sviluppatori, come OpenAI e Anthropic, adottano un approccio preventivo. Implementano filtri di sicurezza sofisticati, conducono intensivo red teaming e aderiscono a politiche rigorose, come la Responsible Scaling Policy di Anthropic, impegnandosi a non distribuire modelli che superino determinate soglie di rischio.
• Approccio Open-weight (resilienza decentralizzata): Questa filosofia, simile al mondo open-source, presuppone che «molti occhi rendano tutti gli errori superficiali». La comunità può trovare e correggere le vulnerabilità più rapidamente. Tuttavia, questo crea anche rischi: i malintenzionati possono studiare i modelli con altrettanta facilità per individuare vulnerabilità o rimuovere i meccanismi di protezione tramite fine-tuning.

Le ricerche dimostrano che l'intenzione umana, e non la disponibilità del modello, è il principale fattore di rischio. Il 90% dei casi documentati di abuso dell'IA generativa è legato allo sfruttamento delle capacità consentite, e non a danni generati dai sistemi stessi.

Approcci normativi: UE e USA

• Legge UE sull'IA: Adotta un approccio preventivo orientato al rischio. La legge introduce obblighi stringenti per i modelli con «rischio sistemico» (che richiedono per l'addestramento più di 10²⁵ flop), ma prevede eccezioni limitate per i modelli open-source che non presentano tale rischio. Questo crea incentivi alla trasparenza, ma anche complessità normativa.
• Approccio USA: Basato sulla promozione dell'innovazione e sulla gestione dei rischi attraverso standard di settore. L'Ordine Esecutivo del Presidente Biden 14110 e il successivo rapporto NTIA raccomandano di astenersi dall'introdurre immediatamente restrizioni sui modelli open-weight, proponendo invece la creazione di un sistema di monitoraggio per prendere decisioni basate su dati fattuali.

Modelli e attori chiave

Tabella comparativa dei principali modelli Open-weight e Closed-weight

Tipo di modello	Modello	Sviluppatore	Caratteristica principale
Open-weight	LLaMA 3.1	Meta	Elevate prestazioni che hanno definito lo standard per i modelli aperti; ampia comunità.
	Mixtral 8x7B	Mistral AI	Architettura «mixture of experts» (MoE) che garantisce elevate prestazioni a basso costo di inferenza.
Closed-weight	GPT-4 / GPT-4o	OpenAI	Leader storico nelle prestazioni, forti capacità multimodali.
	Claude 4 Opus	Anthropic	Focus sulla sicurezza e sull'etica (Constitutional AI), ampia finestra contestuale.

Riferimenti

• Stanford AI Index Report 2025 — Rapporto annuale sullo stato dell'IA.
• Rapporto NTIA sui modelli con pesi aperti

Bibliografia

• 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.