---
title: "Open-weight and closed-weight models — โมเดลแบบเปิดและปิดน้ำหนัก"
source: "https://systems-analysis.info/int/Open-weight_and_closed-weight_models_%E2%80%94_%E0%B9%82%E0%B8%A1%E0%B9%80%E0%B8%94%E0%B8%A5%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%9B%E0%B8%B4%E0%B8%94%E0%B9%81%E0%B8%A5%E0%B8%B0%E0%B8%9B%E0%B8%B4%E0%B8%94%E0%B8%99%E0%B9%89%E0%B8%B3%E0%B8%AB%E0%B8%99%E0%B8%B1%E0%B8%81"
wiki: "systems-analysis.info/int"
article: "Open-weight_and_closed-weight_models_—_โมเดลแบบเปิดและปิดน้ำหนัก"
language: "th"
categories:
- "Category:Large language models"
- "Category:Machine learning"
- "Category:Thai"
revision_id: 5050
wiki_created_at: 2026-09-06T23:43:47Z
wiki_modified_at: 2026-09-06T23:43:47Z
downloaded_at: 2026-09-07T23:06:32Z
---
# Open-weight and closed-weight models — โมเดลแบบเปิดและปิดน้ำหนัก
**Open-weight และ Closed-weight โมเดล** — คือสองแนวทางที่แตกต่างกันอย่างพื้นฐานในการพัฒนาและเผยแพร่ large language model (LLM) ซึ่งก่อให้เกิดความแตกต่างสำคัญในระบบนิเวศปัญญาประดิษฐ์ยุคปัจจุบัน การเลือกระหว่างแนวทางเหล่านี้ส่งผลต่อความสามารถทางเทคนิค เศรษฐกิจ ความปลอดภัย และทิศทางการพัฒนา AI ในอนาคต[\[1\]](https://systems-analysis.info/int/Open-weight_and_closed-weight_models_%E2%80%94_%E0%B9%82%E0%B8%A1%E0%B9%80%E0%B8%94%E0%B8%A5%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%9B%E0%B8%B4%E0%B8%94%E0%B9%81%E0%B8%A5%E0%B8%B0%E0%B8%9B%E0%B8%B4%E0%B8%94%E0%B8%99%E0%B9%89%E0%B8%B3%E0%B8%AB%E0%B8%99%E0%B8%B1%E0%B8%81#cite_note-stanford_index_2025-1)
ความแตกต่างอยู่ที่การเข้าถึงพารามิเตอร์ที่ผ่านการฝึก (weights) ของโมเดล **Open-weight** โมเดลเผยแพร่ weights ของตน ช่วยให้ชุมชนสามารถนำไปใช้ แก้ไข และ deploy ในเครื่องของตนเองได้ ในทางกลับกัน **Closed-weight** โมเดลเก็บ weights ไว้เป็นความลับ โดยให้เข้าถึงความสามารถของโมเดลผ่าน API แบบ proprietary เท่านั้น[\[2\]](https://systems-analysis.info/int/Open-weight_and_closed-weight_models_%E2%80%94_%E0%B9%82%E0%B8%A1%E0%B9%80%E0%B8%94%E0%B8%A5%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%9B%E0%B8%B4%E0%B8%94%E0%B9%81%E0%B8%A5%E0%B8%B0%E0%B8%9B%E0%B8%B4%E0%B8%94%E0%B8%99%E0%B9%89%E0%B8%B3%E0%B8%AB%E0%B8%99%E0%B8%B1%E0%B8%81#cite_note-karpathy_def-2)
## คำจำกัดความและความแตกต่างหลัก
### Open-weight โมเดล (โมเดลแบบเปิด weights)
**Open-weight โมเดล** — คือระบบที่พารามิเตอร์ที่ผ่านการฝึก (weights) ของ neural network พร้อมให้สาธารณชนเข้าถึงเพื่อใช้งาน แก้ไข และเผยแพร่ต่อ ตาม **Andrej Karpathy** จาก OpenAI โมเดลประเภทนี้เปรียบเสมือน "การส่งมอบไฟล์ binary ของระบบปฏิบัติการ" — ผู้ใช้ได้รับผลิตภัณฑ์ที่ใช้งานได้ แต่โดยทั่วไปแล้วไม่มีสิทธิ์เข้าถึง source code การฝึกหรือข้อมูลสำหรับฝึก
คุณลักษณะสำคัญ:
- **การ deploy ในเครื่องของตนเอง**: สามารถรันโมเดลบนฮาร์ดแวร์ของตนเอง ให้การควบคุมข้อมูลและความเป็นส่วนตัวอย่างเต็มที่
- **การปรับแต่งละเอียด (Fine-tuning)**: สามารถปรับโมเดลให้เหมาะกับงานและโดเมนเฉพาะได้
- **ความโปร่งใสและการตรวจสอบ**: นักวิจัยสามารถศึกษากลไกภายในของโมเดลเพื่อค้นหาอคติและช่องโหว่ได้
### Closed-weight โมเดล (โมเดลแบบปิด weights)
**Closed-weight โมเดล** (หรือที่รู้จักในชื่อ proprietary) — คือระบบที่พารามิเตอร์ถือเป็นความลับทางการค้าและเข้าถึงได้เฉพาะผ่าน API หรือใบอนุญาตที่จำกัดเท่านั้น บริษัทผู้พัฒนาอย่าง OpenAI และ Anthropic ควบคุมสถาปัตยกรรม วิธีการฝึก และกลไกการอนุมานอย่างเบ็ดเสร็จ ในรายงานทางเทคนิคของ GPT-4 มีการระบุอย่างชัดเจนถึงการปฏิเสธที่จะเปิดเผยรายละเอียด "โดยคำนึงถึงสภาพแวดล้อมการแข่งขันและผลกระทบด้านความปลอดภัยของโมเดลขนาดใหญ่"[\[3\]](https://systems-analysis.info/int/Open-weight_and_closed-weight_models_%E2%80%94_%E0%B9%82%E0%B8%A1%E0%B9%80%E0%B8%94%E0%B8%A5%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%9B%E0%B8%B4%E0%B8%94%E0%B9%81%E0%B8%A5%E0%B8%B0%E0%B8%9B%E0%B8%B4%E0%B8%94%E0%B8%99%E0%B9%89%E0%B8%B3%E0%B8%AB%E0%B8%99%E0%B8%B1%E0%B8%81#cite_note-gpt4_report-3)
คุณลักษณะสำคัญ:
- **การควบคุมแบบรวมศูนย์**: ผู้พัฒนาจัดการการอัปเดต ความปลอดภัย และนโยบายการใช้งาน
- **ความสะดวกในการใช้งาน**: การเข้าถึงผ่าน API ช่วยให้ผู้ใช้ไม่ต้องจัดการโครงสร้างพื้นฐานที่ซับซ้อน
- **ความไม่โปร่งใส**: การขาดการเข้าถึงกลไกภายในทำให้ไม่สามารถตรวจสอบอิสระได้ และทำให้ยากต่อการทำความเข้าใจสาเหตุของคำตอบที่ผิดพลาดหรือมีอคติ
### ความแตกต่างจาก Open-source
สิ่งสำคัญคือต้องแยกแยะระหว่างคำว่า **open-weight** และ **open-source** โมเดลที่เป็น open-source อย่างแท้จริงหมายถึงการเผยแพร่ artifacts ทั้งหมดที่จำเป็นสำหรับการสร้างซ้ำ ได้แก่ weights สถาปัตยกรรม code การฝึก และ dataset โมเดล "เปิด" ส่วนใหญ่ในปัจจุบัน เช่น Llama จาก Meta เป็น *open-weight* แต่ไม่ใช่ *open-source* อย่างสมบูรณ์ เนื่องจากข้อมูลสำหรับฝึกและวิธีการฝึกที่แน่ชัดยังคงถูกปิดไว้
## การวิเคราะห์เปรียบเทียบ: ประสิทธิภาพ ต้นทุน และนวัตกรรม
### ประสิทธิภาพและการปรับแต่ง
ในอดีต closed-weight โมเดลอย่าง **GPT-4** ครองอันดับต้นบน benchmark ทั่วไป อย่างไรก็ตาม ช่องว่างด้านประสิทธิภาพกำลังลดลงอย่างรวดเร็ว จากข้อมูลของ *Stanford AI Index 2025* ช่องว่างดังกล่าวลดลงจาก 8% เหลือ 1.7% ในปีที่ผ่านมา[\[1\]](https://systems-analysis.info/int/Open-weight_and_closed-weight_models_%E2%80%94_%E0%B9%82%E0%B8%A1%E0%B9%80%E0%B8%94%E0%B8%A5%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%9B%E0%B8%B4%E0%B8%94%E0%B9%81%E0%B8%A5%E0%B8%B0%E0%B8%9B%E0%B8%B4%E0%B8%94%E0%B8%99%E0%B9%89%E0%B8%B3%E0%B8%AB%E0%B8%99%E0%B8%B1%E0%B8%81#cite_note-stanford_index_2025-1) Open-weight โมเดลที่ทรงพลัง เช่น **LLaMA 3.1 405B** จาก Meta และ **DeepSeek-V3** แสดงผลลัพธ์ที่ใกล้เคียงกัน และในบางงาน (โดยเฉพาะการเขียนโปรแกรม) มีประสิทธิภาพเหนือกว่าด้วยซ้ำ[\[4\]](https://systems-analysis.info/int/Open-weight_and_closed-weight_models_%E2%80%94_%E0%B9%82%E0%B8%A1%E0%B9%80%E0%B8%94%E0%B8%A5%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%9B%E0%B8%B4%E0%B8%94%E0%B9%81%E0%B8%A5%E0%B8%B0%E0%B8%9B%E0%B8%B4%E0%B8%94%E0%B8%99%E0%B9%89%E0%B8%B3%E0%B8%AB%E0%B8%99%E0%B8%B1%E0%B8%81#cite_note-deepseek_v3-4)
ข้อได้เปรียบสำคัญของ open-weight โมเดลอยู่ที่ **การปรับแต่งเชิงลึก** ความสามารถในการ fine-tune ด้วยข้อมูลเฉพาะทำให้โมเดลเหล่านี้สามารถเอาชนะ closed-weight โมเดลที่ใหญ่กว่าแต่เป็นแบบทั่วไปในสาขาเฉพาะ เช่น การแพทย์หรือนิติศาสตร์
### ด้านเศรษฐศาสตร์
- **ต้นทุนการฝึก**: การสร้างโมเดล frontier นั้นมีค่าใช้จ่ายสูงมาก การฝึก GPT-4 ประเมินว่าสูงกว่า **100 ล้านดอลลาร์** Open-weight โมเดลอย่าง DeepSeek-V3 บรรลุประสิทธิภาพที่ใกล้เคียงกันด้วยค่าใช้จ่ายเพียง **5.5 ล้านดอลลาร์** ทำให้การสร้างระบบที่ทรงพลังเป็นประชาธิปไตยมากขึ้น
- **ต้นทุนการใช้งาน (inference)**: Closed-weight โมเดลคิดราคาแบบ *pay-per-use* ผ่าน API ซึ่งอาจนำไปสู่ค่าใช้จ่ายสูงเมื่อใช้งานในปริมาณมาก Open-weight โมเดลที่ deploy ในเครื่องของตนเองต้องการการลงทุนเริ่มต้นด้านโครงสร้างพื้นฐาน แต่มีต้นทุนรวมในการเป็นเจ้าของ (TCO) ที่ต่ำกว่ามากเมื่อขยายขนาด
### ผลกระทบต่องานวิจัยทางวิทยาศาสตร์และนวัตกรรม
Open-weight โมเดลกำลังเปลี่ยนแปลงงานวิจัยทางวิทยาศาสตร์อย่างพื้นฐาน โดยสร้างความ **สามารถในการสร้างซ้ำ** และ **การเข้าถึงแบบประชาธิปไตย** นักวิจัยทั่วโลกสามารถวิเคราะห์ วิจารณ์ และปรับปรุงโมเดลที่เปิดเผย ซึ่งสร้างระบบนิเวศที่มีพลังและเร่งความก้าวหน้า ในทางกลับกัน โมเดลแบบปิดก่อให้เกิด "วิกฤตความสามารถในการสร้างซ้ำ" เนื่องจากผลลัพธ์ที่อ้างไม่สามารถตรวจสอบอิสระได้
## ความปลอดภัยและทางเลือกทางจริยธรรม
ประเด็นด้านความปลอดภัยถือเป็นทางเลือกสำคัญในการถกเถียงระหว่างความเปิดเผยและการควบคุม
- **แนวทาง Closed-weight (การป้องกันแบบรวมศูนย์)**: ผู้พัฒนาอย่าง OpenAI และ Anthropic ใช้แนวทางเชิงป้องกัน โดยนำตัวกรองความปลอดภัยที่ซับซ้อนมาใช้ ดำเนินการ red teaming อย่างเข้มข้น และยึดมั่นในนโยบายที่เข้มงวดอย่าง *Responsible Scaling Policy* ของ Anthropic โดยให้คำมั่นว่าจะไม่ deploy โมเดลที่เกินเกณฑ์ความเสี่ยงที่กำหนด[\[5\]](https://systems-analysis.info/int/Open-weight_and_closed-weight_models_%E2%80%94_%E0%B9%82%E0%B8%A1%E0%B9%80%E0%B8%94%E0%B8%A5%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%9B%E0%B8%B4%E0%B8%94%E0%B9%81%E0%B8%A5%E0%B8%B0%E0%B8%9B%E0%B8%B4%E0%B8%94%E0%B8%99%E0%B9%89%E0%B8%B3%E0%B8%AB%E0%B8%99%E0%B8%B1%E0%B8%81#cite_note-anthropic_rsp-5)
- **แนวทาง Open-weight (ความยืดหยุ่นแบบกระจายศูนย์)**: ปรัชญานี้คล้ายกับโลก open-source ที่เชื่อว่า "สายตาหลายคู่ทำให้ข้อผิดพลาดทุกอย่างเล็กลง" ชุมชนสามารถค้นหาและแก้ไขช่องโหว่ได้เร็วกว่า อย่างไรก็ตาม สิ่งนี้ก็สร้างความเสี่ยงเช่นกัน: ผู้ไม่ประสงค์ดีสามารถศึกษาโมเดลเพื่อค้นหาช่องโหว่หรือลบกลไกป้องกันผ่านการ fine-tune ได้ง่ายพอกัน
การวิจัยแสดงให้เห็นว่าเจตนาของมนุษย์ ไม่ใช่ความพร้อมใช้งานของโมเดล คือปัจจัยความเสี่ยงหลัก **90%** ของกรณีการใช้งาน generative AI ในทางที่ผิดที่บันทึกไว้เกี่ยวข้องกับการแสวงหาประโยชน์จากความสามารถที่ได้รับอนุญาต ไม่ใช่อันตรายที่ระบบสร้างขึ้นเอง
## แนวทางการกำกับดูแล: สหภาพยุโรปและสหรัฐอเมริกา
- **กฎหมาย AI ของสหภาพยุโรป**: ใช้แนวทางเชิงป้องกันและเน้นความเสี่ยงเป็นหลัก กฎหมายดังกล่าวกำหนดภาระผูกพันที่เข้มงวดสำหรับโมเดลที่มี "ความเสี่ยงเชิงระบบ" (ที่ต้องการการคำนวณสำหรับการฝึกมากกว่า 1025 flops) แต่ให้การยกเว้นที่จำกัดสำหรับโมเดล open-source ที่ไม่มีความเสี่ยงดังกล่าว สิ่งนี้สร้างแรงจูงใจในการสร้างความโปร่งใส แต่ก็เพิ่มความซับซ้อนด้านการกำกับดูแลด้วย
- **แนวทางของสหรัฐอเมริกา**: มุ่งเน้นการส่งเสริมนวัตกรรมและการจัดการความเสี่ยงผ่านมาตรฐานอุตสาหกรรม **คำสั่งผู้บริหารของประธานาธิบดี Biden 14110** และรายงาน **NTIA** ที่ตามมาแนะนำให้งดเว้นจากการกำหนดข้อจำกัดทันทีสำหรับ open-weight โมเดล โดยเสนอให้สร้างระบบติดตามเพื่อตัดสินใจบนพื้นฐานข้อมูลจริงแทน[\[6\]](https://systems-analysis.info/int/Open-weight_and_closed-weight_models_%E2%80%94_%E0%B9%82%E0%B8%A1%E0%B9%80%E0%B8%94%E0%B8%A5%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%9B%E0%B8%B4%E0%B8%94%E0%B9%81%E0%B8%A5%E0%B8%B0%E0%B8%9B%E0%B8%B4%E0%B8%94%E0%B8%99%E0%B9%89%E0%B8%B3%E0%B8%AB%E0%B8%99%E0%B8%B1%E0%B8%81#cite_note-ntia_report-6)
## โมเดลและผู้เล่นหลัก
| ประเภทโมเดล | โมเดล | ผู้พัฒนา | คุณลักษณะสำคัญ |
|-------------------|-------------------|------------|------------------------------------------------------------------------|
| **Open-weight** | LLaMA 3.1 | Meta | ประสิทธิภาพสูง กำหนดมาตรฐานสำหรับโมเดลเปิด มีชุมชนขนาดใหญ่ |
| | **Mixtral 8x7B** | Mistral AI | สถาปัตยกรรม Mixture of Experts (MoE) ที่ให้ประสิทธิภาพสูงด้วยต้นทุน inference ต่ำ |
| **Closed-weight** | GPT-4 / GPT-4o | OpenAI | ผู้นำด้านประสิทธิภาพในอดีต มีความสามารถ multimodal ที่แข็งแกร่ง |
| | **Claude 4 Opus** | Anthropic | เน้นความปลอดภัยและจริยธรรม (Constitutional AI) มี context window ขนาดใหญ่ |
ตารางเปรียบเทียบโมเดล Open-weight และ Closed-weight ชั้นนำ
## อ้างอิง
- Stanford AI Index Report 2025 — รายงานประจำปีเกี่ยวกับสถานะของ AI
- รายงาน NTIA เกี่ยวกับโมเดลที่มี weights เปิดเผย
## บรรณานุกรม
- 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.
## หมายเหตุ
1. ↑ [1.0](https://systems-analysis.info/int/Open-weight_and_closed-weight_models_%E2%80%94_%E0%B9%82%E0%B8%A1%E0%B9%80%E0%B8%94%E0%B8%A5%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%9B%E0%B8%B4%E0%B8%94%E0%B9%81%E0%B8%A5%E0%B8%B0%E0%B8%9B%E0%B8%B4%E0%B8%94%E0%B8%99%E0%B9%89%E0%B8%B3%E0%B8%AB%E0%B8%99%E0%B8%B1%E0%B8%81#cite_ref-stanford_index_2025_1-0) [1.1](https://systems-analysis.info/int/Open-weight_and_closed-weight_models_%E2%80%94_%E0%B9%82%E0%B8%A1%E0%B9%80%E0%B8%94%E0%B8%A5%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%9B%E0%B8%B4%E0%B8%94%E0%B9%81%E0%B8%A5%E0%B8%B0%E0%B8%9B%E0%B8%B4%E0%B8%94%E0%B8%99%E0%B9%89%E0%B8%B3%E0%B8%AB%E0%B8%99%E0%B8%B1%E0%B8%81#cite_ref-stanford_index_2025_1-1) «Artificial Intelligence Index Report 2025». *Stanford University HAI*. [1] Проверено 4 июля 2025.
2. [↑](https://systems-analysis.info/int/Open-weight_and_closed-weight_models_%E2%80%94_%E0%B9%82%E0%B8%A1%E0%B9%80%E0%B8%94%E0%B8%A5%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%9B%E0%B8%B4%E0%B8%94%E0%B9%81%E0%B8%A5%E0%B8%B0%E0%B8%9B%E0%B8%B4%E0%B8%94%E0%B8%99%E0%B9%89%E0%B8%B3%E0%B8%AB%E0%B8%99%E0%B8%B1%E0%B8%81#cite_ref-karpathy_def_2-0) Karpathy, Andrej. «On Open-sourcing LLMs». *X (formerly Twitter)*.
3. [↑](https://systems-analysis.info/int/Open-weight_and_closed-weight_models_%E2%80%94_%E0%B9%82%E0%B8%A1%E0%B9%80%E0%B8%94%E0%B8%A5%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%9B%E0%B8%B4%E0%B8%94%E0%B9%81%E0%B8%A5%E0%B8%B0%E0%B8%9B%E0%B8%B4%E0%B8%94%E0%B8%99%E0%B9%89%E0%B8%B3%E0%B8%AB%E0%B8%99%E0%B8%B1%E0%B8%81#cite_ref-gpt4_report_3-0) «GPT-4 Technical Report». *OpenAI*. [2]
4. [↑](https://systems-analysis.info/int/Open-weight_and_closed-weight_models_%E2%80%94_%E0%B9%82%E0%B8%A1%E0%B9%80%E0%B8%94%E0%B8%A5%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%9B%E0%B8%B4%E0%B8%94%E0%B9%81%E0%B8%A5%E0%B8%B0%E0%B8%9B%E0%B8%B4%E0%B8%94%E0%B8%99%E0%B9%89%E0%B8%B3%E0%B8%AB%E0%B8%99%E0%B8%B1%E0%B8%81#cite_ref-deepseek_v3_4-0) «DeepSeek-V2 and DeepSeek-Coder-V2 Technical Report».
5. [↑](https://systems-analysis.info/int/Open-weight_and_closed-weight_models_%E2%80%94_%E0%B9%82%E0%B8%A1%E0%B9%80%E0%B8%94%E0%B8%A5%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%9B%E0%B8%B4%E0%B8%94%E0%B9%81%E0%B8%A5%E0%B8%B0%E0%B8%9B%E0%B8%B4%E0%B8%94%E0%B8%99%E0%B9%89%E0%B8%B3%E0%B8%AB%E0%B8%99%E0%B8%B1%E0%B8%81#cite_ref-anthropic_rsp_5-0) «Anthropic's Responsible Scaling Policy». *Anthropic*.
6. [↑](https://systems-analysis.info/int/Open-weight_and_closed-weight_models_%E2%80%94_%E0%B9%82%E0%B8%A1%E0%B9%80%E0%B8%94%E0%B8%A5%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%9B%E0%B8%B4%E0%B8%94%E0%B9%81%E0%B8%A5%E0%B8%B0%E0%B8%9B%E0%B8%B4%E0%B8%94%E0%B8%99%E0%B9%89%E0%B8%B3%E0%B8%AB%E0%B8%99%E0%B8%B1%E0%B8%81#cite_ref-ntia_report_6-0) «Dual-Use Foundation Models with Widely Available Model Weights». *U.S. Department of Commerce, NTIA*. (2024).