---
title: "Open-weight and closed-weight models — مدل‌های با وزن‌های باز و بسته"
source: "https://systems-analysis.info/int/Open-weight_and_closed-weight_models_%E2%80%94_%D9%85%D8%AF%D9%84%E2%80%8C%D9%87%D8%A7%DB%8C_%D8%A8%D8%A7_%D9%88%D8%B2%D9%86%E2%80%8C%D9%87%D8%A7%DB%8C_%D8%A8%D8%A7%D8%B2_%D9%88_%D8%A8%D8%B3%D8%AA%D9%87"
wiki: "systems-analysis.info/int"
article: "Open-weight_and_closed-weight_models_—_مدل‌های_با_وزن‌های_باز_و_بسته"
language: "fa"
categories:
  - "Category:Large language models"
  - "Category:Machine learning"
  - "Category:Persian"
revision_id: 5046
wiki_created_at: 2026-09-06T23:43:44Z
wiki_modified_at: 2026-09-06T23:43:44Z
downloaded_at: 2026-09-07T23:06:31Z
---

# Open-weight and closed-weight models — مدل‌های با وزن‌های باز و بسته

**مدل‌های Open-weight و Closed-weight** — دو رویکرد بنیادی متفاوت در توسعه و توزیع مدل‌های زبانی بزرگ (LLM) هستند که دوگانه‌ای کلیدی در اکوسیستم امروزی هوش مصنوعی را شکل می‌دهند. انتخاب میان این دو رویکرد بر قابلیت‌های فنی، اقتصاد، امنیت و آینده توسعه هوش مصنوعی تأثیر می‌گذارد<sup>[\[1\]](https://systems-analysis.info/int/Open-weight_and_closed-weight_models_%E2%80%94_%D9%85%D8%AF%D9%84%E2%80%8C%D9%87%D8%A7%DB%8C_%D8%A8%D8%A7_%D9%88%D8%B2%D9%86%E2%80%8C%D9%87%D8%A7%DB%8C_%D8%A8%D8%A7%D8%B2_%D9%88_%D8%A8%D8%B3%D8%AA%D9%87#cite_note-stanford_index_2025-1)</sup>.

تفاوت اصلی در دسترس‌پذیری پارامترهای آموزش‌دیده (وزن‌ها) مدل نهفته است. مدل‌های **Open-weight** وزن‌های خود را منتشر می‌کنند و به جامعه اجازه می‌دهند آن‌ها را استفاده، تغییر و به‌صورت محلی مستقر کنند. مدل‌های **Closed-weight** در مقابل، وزن‌ها را محرمانه نگه می‌دارند و دسترسی به قابلیت‌های خود را تنها از طریق API های اختصاصی فراهم می‌کنند<sup>[\[2\]](https://systems-analysis.info/int/Open-weight_and_closed-weight_models_%E2%80%94_%D9%85%D8%AF%D9%84%E2%80%8C%D9%87%D8%A7%DB%8C_%D8%A8%D8%A7_%D9%88%D8%B2%D9%86%E2%80%8C%D9%87%D8%A7%DB%8C_%D8%A8%D8%A7%D8%B2_%D9%88_%D8%A8%D8%B3%D8%AA%D9%87#cite_note-karpathy_def-2)</sup>.

## تعاریف و تفاوت‌های کلیدی

### مدل‌های Open-weight (با وزن‌های باز)

**مدل‌های Open-weight** — سیستم‌هایی هستند که پارامترهای آموزش‌دیده (وزن‌های) شبکه عصبی آن‌ها به‌صورت عمومی برای استفاده، تغییر و توزیع در دسترس است. بنا بر تعریف **آندری کارپاتی** از OpenAI، چنین مدلی شبیه «ارائه یک فایل باینری سیستم‌عامل» است — کاربران یک محصول کارکردی دریافت می‌کنند، اما معمولاً بدون دسترسی به کد منبع آموزش یا داده‌های آموزشی.

ویژگی‌های کلیدی:

- **استقرار محلی**: امکان اجرای مدل روی سخت‌افزار خود کاربر، با تضمین کنترل کامل بر داده‌ها و حفظ حریم خصوصی.
- **تنظیم دقیق (Fine-tuning)**: امکان تطبیق مدل برای وظایف و حوزه‌های خاص.
- **شفافیت و ممیزی**: پژوهشگران می‌توانند مکانیزم‌های درونی مدل را برای شناسایی سوگیری‌ها و آسیب‌پذیری‌ها بررسی کنند.

### مدل‌های Closed-weight (با وزن‌های بسته)

**مدل‌های Closed-weight** (که به مدل‌های اختصاصی نیز شناخته می‌شوند) — سیستم‌هایی هستند که پارامترهای آن‌ها اسرار تجاری محسوب شده و تنها از طریق API یا مجوزهای محدود در دسترس است. شرکت‌های توسعه‌دهنده‌ای مانند OpenAI و Anthropic کنترل کامل معماری، روش‌های آموزش و مکانیزم‌های استنتاج را در اختیار دارند. در گزارش فنی GPT-4 صراحتاً به عدم افشای جزئیات اشاره شده است، «با توجه به محیط رقابتی و پیامدهای امنیتی مدل‌های در مقیاس بزرگ»<sup>[\[3\]](https://systems-analysis.info/int/Open-weight_and_closed-weight_models_%E2%80%94_%D9%85%D8%AF%D9%84%E2%80%8C%D9%87%D8%A7%DB%8C_%D8%A8%D8%A7_%D9%88%D8%B2%D9%86%E2%80%8C%D9%87%D8%A7%DB%8C_%D8%A8%D8%A7%D8%B2_%D9%88_%D8%A8%D8%B3%D8%AA%D9%87#cite_note-gpt4_report-3)</sup>.

ویژگی‌های کلیدی:

- **کنترل متمرکز**: توسعه‌دهنده به‌روزرسانی‌ها، امنیت و سیاست‌های استفاده را مدیریت می‌کند.
- **سهولت استفاده**: دسترسی از طریق API نیاز کاربران به مدیریت زیرساخت پیچیده را برطرف می‌کند.
- **ناشفافیت**: عدم دسترسی به مکانیزم‌های درونی، ممیزی مستقل را ناممکن ساخته و درک علل پاسخ‌های نادرست یا سوگیرانه را دشوار می‌کند.

### تفاوت با Open-source

تمایز میان اصطلاحات **open-weight** و **open-source** اهمیت دارد. یک مدل واقعی open-source انتشار تمام مصنوعات لازم برای بازتولید را در بر می‌گیرد: وزن‌ها، معماری، کد آموزش و مجموعه داده‌ها. اکثر مدل‌های «باز» امروزی، مانند Llama از Meta، *open-weight* هستند اما کاملاً *open-source* نیستند، چرا که داده‌های آموزشی و روش‌های دقیق تمرین آن‌ها همچنان بسته می‌ماند.

## تحلیل مقایسه‌ای: عملکرد، هزینه و نوآوری

### عملکرد و سفارشی‌سازی

تاریخاً مدل‌های closed-weight مانند **GPT-4** در benchmark های عمومی پیشتاز بوده‌اند. با این حال شکاف عملکردی به‌سرعت در حال کاهش است. بنا بر داده‌های *Stanford AI Index 2025*، این شکاف در طول یک سال گذشته از ۸٪ به ۱.۷٪ کاهش یافته است<sup>[\[1\]](https://systems-analysis.info/int/Open-weight_and_closed-weight_models_%E2%80%94_%D9%85%D8%AF%D9%84%E2%80%8C%D9%87%D8%A7%DB%8C_%D8%A8%D8%A7_%D9%88%D8%B2%D9%86%E2%80%8C%D9%87%D8%A7%DB%8C_%D8%A8%D8%A7%D8%B2_%D9%88_%D8%A8%D8%B3%D8%AA%D9%87#cite_note-stanford_index_2025-1)</sup>. مدل‌های open-weight قدرتمندی مانند **LLaMA 3.1 405B** از Meta و **DeepSeek-V3** نتایج مقایسه‌پذیر و در برخی وظایف (به‌ویژه برنامه‌نویسی) حتی برتر را به نمایش می‌گذارند<sup>[\[4\]](https://systems-analysis.info/int/Open-weight_and_closed-weight_models_%E2%80%94_%D9%85%D8%AF%D9%84%E2%80%8C%D9%87%D8%A7%DB%8C_%D8%A8%D8%A7_%D9%88%D8%B2%D9%86%E2%80%8C%D9%87%D8%A7%DB%8C_%D8%A8%D8%A7%D8%B2_%D9%88_%D8%A8%D8%B3%D8%AA%D9%87#cite_note-deepseek_v3-4)</sup>.

مزیت کلیدی مدل‌های open-weight در **سفارشی‌سازی عمیق** نهفته است. امکان fine-tuning بر روی داده‌های خاص به آن‌ها اجازه می‌دهد در حوزه‌های محدودی مانند پزشکی یا حقوق، از مدل‌های بزرگ‌تر اما عمومی‌تر closed-weight پیشی بگیرند.

### جنبه‌های اقتصادی

- **هزینه آموزش**: ایجاد مدل‌های پیشرفته (frontier) بسیار گران است. هزینه آموزش GPT-4 بیش از **۱۰۰ میلیون دلار** برآورد می‌شود. مدل‌های open-weight مانند DeepSeek-V3 با هزینه‌ای معادل **۵.۵ میلیون دلار** به عملکرد مشابهی دست می‌یابند و دسترسی به ساخت سیستم‌های قدرتمند را دموکراتیزه می‌کنند.
- **هزینه استفاده (استنتاج)**: مدل‌های closed-weight با مدل *pay-per-use* از طریق API تعرفه‌گذاری می‌شوند که در حجم‌های بالا می‌تواند هزینه‌بر باشد. مدل‌های open-weight که به‌صورت محلی مستقر می‌شوند به سرمایه‌گذاری اولیه در زیرساخت نیاز دارند، اما هزینه کل مالکیت (TCO) در مقیاس‌پذیری به‌طور قابل توجهی پایین‌تر است.

### تأثیر بر پژوهش علمی و نوآوری

مدل‌های open-weight به‌طور بنیادی پژوهش علمی را با تضمین **بازتولیدپذیری** و **دموکراتیزه کردن دسترسی** متحول می‌کنند. پژوهشگران در سراسر جهان می‌توانند مدل‌های باز را تحلیل، نقد و بهبود بخشند که این امر اکوسیستمی پویا ایجاد کرده و پیشرفت را شتاب می‌دهد. در مقابل، مدل‌های بسته «بحران بازتولیدپذیری» ایجاد می‌کنند، زیرا نتایج اعلام‌شده را نمی‌توان به‌صورت مستقل تأیید کرد.

## امنیت و معضلات اخلاقی

مسئله امنیت معضل محوری در مناظره میان بازبودن و کنترل است.

- **رویکرد Closed-weight (پیشگیری متمرکز)**: توسعه‌دهندگانی مانند OpenAI و Anthropic رویکرد پیشگیرانه اتخاذ می‌کنند. آن‌ها فیلترهای امنیتی پیچیده پیاده‌سازی کرده، red teaming فشرده انجام می‌دهند و به سیاست‌های سختگیرانه‌ای مانند *Responsible Scaling Policy* از Anthropic پایبند هستند و متعهد می‌شوند مدل‌هایی را که از آستانه‌های خطر مشخصی فراتر می‌روند مستقر نکنند<sup>[\[5\]](https://systems-analysis.info/int/Open-weight_and_closed-weight_models_%E2%80%94_%D9%85%D8%AF%D9%84%E2%80%8C%D9%87%D8%A7%DB%8C_%D8%A8%D8%A7_%D9%88%D8%B2%D9%86%E2%80%8C%D9%87%D8%A7%DB%8C_%D8%A8%D8%A7%D8%B2_%D9%88_%D8%A8%D8%B3%D8%AA%D9%87#cite_note-anthropic_rsp-5)</sup>.
- **رویکرد Open-weight (مقاومت غیرمتمرکز)**: این فلسفه، مشابه دنیای open-source، بر این اصل استوار است که «چشم‌های بسیار همه خطاها را کوچک می‌کنند». جامعه می‌تواند آسیب‌پذیری‌ها را سریع‌تر بیابد و برطرف کند. با این حال این امر خطراتی نیز ایجاد می‌کند: بدخواهان می‌توانند به همان سهولت مدل‌ها را برای یافتن آسیب‌پذیری‌ها بررسی کرده یا از طریق fine-tuning مکانیزم‌های حفاظتی را حذف کنند.

پژوهش‌ها نشان می‌دهند که قصد انسانی، نه دسترس‌پذیری مدل، عامل اصلی خطر است. **۹۰٪** موارد مستند سوءاستفاده از هوش مصنوعی مولد با بهره‌برداری از قابلیت‌های مجاز مرتبط است، نه با آسیبی که خود سیستم‌ها تولید می‌کنند.

## رویکردهای نظارتی: اتحادیه اروپا و ایالات متحده

- **قانون هوش مصنوعی اتحادیه اروپا**: رویکردی پیشگیرانه و مبتنی بر ریسک اتخاذ می‌کند. این قانون تعهدات سختگیرانه‌ای برای مدل‌های دارای «ریسک سیستمیک» (که برای آموزش به بیش از ۱۰<sup>۲۵</sup> flops نیاز دارند) وضع می‌کند، اما برای مدل‌های open-source که چنین ریسکی ندارند استثنائات محدودی در نظر می‌گیرد. این امر انگیزه‌ای برای شفافیت ایجاد می‌کند، اما پیچیدگی نظارتی نیز به همراه دارد.
- **رویکرد ایالات متحده**: بر تشویق نوآوری و مدیریت ریسک از طریق استانداردهای صنعتی استوار است. **دستور اجرایی رئیس‌جمهور بایدن ۱۴۱۱۰** و گزارش بعدی **NTIA** توصیه می‌کنند از اعمال فوری محدودیت بر مدل‌های open-weight خودداری شود و در عوض سیستمی برای پایش جهت تصمیم‌گیری مبتنی بر داده‌های واقعی ایجاد گردد<sup>[\[6\]](https://systems-analysis.info/int/Open-weight_and_closed-weight_models_%E2%80%94_%D9%85%D8%AF%D9%84%E2%80%8C%D9%87%D8%A7%DB%8C_%D8%A8%D8%A7_%D9%88%D8%B2%D9%86%E2%80%8C%D9%87%D8%A7%DB%8C_%D8%A8%D8%A7%D8%B2_%D9%88_%D8%A8%D8%B3%D8%AA%D9%87#cite_note-ntia_report-6)</sup>.

## مدل‌ها و بازیگران کلیدی

| نوع مدل           | مدل               | توسعه‌دهنده | ویژگی کلیدی                                                                        |
|-------------------|-------------------|------------|------------------------------------------------------------------------------------|
| **Open-weight**   | LLaMA 3.1         | Meta       | عملکرد بالا که استاندارد مدل‌های باز را تعریف کرده؛ جامعه بزرگ.                     |
|                   | **Mixtral 8x7B**  | Mistral AI | معماری «ترکیب متخصصان» (MoE) که عملکرد بالا را با هزینه پایین استنتاج فراهم می‌کند. |
| **Closed-weight** | GPT-4 / GPT-4o    | OpenAI     | رهبر تاریخی عملکرد، قابلیت‌های چندوجهی قوی.                                         |
|                   | **Claude 4 Opus** | Anthropic  | تمرکز بر امنیت و اخلاق (Constitutional AI)، پنجره متنی بزرگ.                       |

جدول مقایسه‌ای مدل‌های پیشرو Open-weight و Closed-weight

## پیوندها

- Stanford AI Index Report 2025 — گزارش سالانه وضعیت هوش مصنوعی.
- گزارش NTIA درباره مدل‌های با وزن‌های باز

## منابع

- 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.

## یادداشت‌ها

1.  <span id="cite_note-stanford_index_2025-1">↑ <sup>[1.0](https://systems-analysis.info/int/Open-weight_and_closed-weight_models_%E2%80%94_%D9%85%D8%AF%D9%84%E2%80%8C%D9%87%D8%A7%DB%8C_%D8%A8%D8%A7_%D9%88%D8%B2%D9%86%E2%80%8C%D9%87%D8%A7%DB%8C_%D8%A8%D8%A7%D8%B2_%D9%88_%D8%A8%D8%B3%D8%AA%D9%87#cite_ref-stanford_index_2025_1-0)</sup> <sup>[1.1](https://systems-analysis.info/int/Open-weight_and_closed-weight_models_%E2%80%94_%D9%85%D8%AF%D9%84%E2%80%8C%D9%87%D8%A7%DB%8C_%D8%A8%D8%A7_%D9%88%D8%B2%D9%86%E2%80%8C%D9%87%D8%A7%DB%8C_%D8%A8%D8%A7%D8%B2_%D9%88_%D8%A8%D8%B3%D8%AA%D9%87#cite_ref-stanford_index_2025_1-1)</sup> «Artificial Intelligence Index Report 2025». *Stanford University HAI*. <a href="https://hai.stanford.edu/research/ai-index-report-2025" class="external autonumber" rel="nofollow">[۱]</a> Проверено 4 июля 2025.</span>
2.  <span id="cite_note-karpathy_def-2">[↑](https://systems-analysis.info/int/Open-weight_and_closed-weight_models_%E2%80%94_%D9%85%D8%AF%D9%84%E2%80%8C%D9%87%D8%A7%DB%8C_%D8%A8%D8%A7_%D9%88%D8%B2%D9%86%E2%80%8C%D9%87%D8%A7%DB%8C_%D8%A8%D8%A7%D8%B2_%D9%88_%D8%A8%D8%B3%D8%AA%D9%87#cite_ref-karpathy_def_2-0) Karpathy, Andrej. «On Open-sourcing LLMs». *X (formerly Twitter)*.</span>
3.  <span id="cite_note-gpt4_report-3">[↑](https://systems-analysis.info/int/Open-weight_and_closed-weight_models_%E2%80%94_%D9%85%D8%AF%D9%84%E2%80%8C%D9%87%D8%A7%DB%8C_%D8%A8%D8%A7_%D9%88%D8%B2%D9%86%E2%80%8C%D9%87%D8%A7%DB%8C_%D8%A8%D8%A7%D8%B2_%D9%88_%D8%A8%D8%B3%D8%AA%D9%87#cite_ref-gpt4_report_3-0) «GPT-4 Technical Report». *OpenAI*. <a href="https://arxiv.org/abs/2303.08774" class="external autonumber" rel="nofollow">[۲]</a></span>
4.  <span id="cite_note-deepseek_v3-4">[↑](https://systems-analysis.info/int/Open-weight_and_closed-weight_models_%E2%80%94_%D9%85%D8%AF%D9%84%E2%80%8C%D9%87%D8%A7%DB%8C_%D8%A8%D8%A7_%D9%88%D8%B2%D9%86%E2%80%8C%D9%87%D8%A7%DB%8C_%D8%A8%D8%A7%D8%B2_%D9%88_%D8%A8%D8%B3%D8%AA%D9%87#cite_ref-deepseek_v3_4-0) «DeepSeek-V2 and DeepSeek-Coder-V2 Technical Report».</span>
5.  <span id="cite_note-anthropic_rsp-5">[↑](https://systems-analysis.info/int/Open-weight_and_closed-weight_models_%E2%80%94_%D9%85%D8%AF%D9%84%E2%80%8C%D9%87%D8%A7%DB%8C_%D8%A8%D8%A7_%D9%88%D8%B2%D9%86%E2%80%8C%D9%87%D8%A7%DB%8C_%D8%A8%D8%A7%D8%B2_%D9%88_%D8%A8%D8%B3%D8%AA%D9%87#cite_ref-anthropic_rsp_5-0) «Anthropic's Responsible Scaling Policy». *Anthropic*.</span>
6.  <span id="cite_note-ntia_report-6">[↑](https://systems-analysis.info/int/Open-weight_and_closed-weight_models_%E2%80%94_%D9%85%D8%AF%D9%84%E2%80%8C%D9%87%D8%A7%DB%8C_%D8%A8%D8%A7_%D9%88%D8%B2%D9%86%E2%80%8C%D9%87%D8%A7%DB%8C_%D8%A8%D8%A7%D8%B2_%D9%88_%D8%A8%D8%B3%D8%AA%D9%87#cite_ref-ntia_report_6-0) «Dual-Use Foundation Models with Widely Available Model Weights». *U.S. Department of Commerce, NTIA*. (2024).</span>