--- title: "Open-weight and closed-weight models — 开放权重与封闭权重模型" source: "https://systems-analysis.info/int/Open-weight_and_closed-weight_models_%E2%80%94_%E5%BC%80%E6%94%BE%E6%9D%83%E9%87%8D%E4%B8%8E%E5%B0%81%E9%97%AD%E6%9D%83%E9%87%8D%E6%A8%A1%E5%9E%8B" wiki: "systems-analysis.info/int" article: "Open-weight_and_closed-weight_models_—_开放权重与封闭权重模型" language: "zh" categories: - "Category:Chinese" - "Category:Large language models" - "Category:Machine learning" revision_id: 5052 wiki_created_at: 2026-09-06T23:43:48Z wiki_modified_at: 2026-09-06T23:43:48Z downloaded_at: 2026-09-07T23:06:33Z --- # Open-weight and closed-weight models — 开放权重与封闭权重模型 **Open-weight 与 Closed-weight 模型**是在开发和分发大语言模型（LLM）过程中的两种根本不同的方法，构成了现代人工智能生态系统中的一个关键二分法。在这两种方法之间的选择影响着人工智能的技术能力、经济性、安全性以及未来发展^{[\[1\]](https://systems-analysis.info/int/Open-weight_and_closed-weight_models_%E2%80%94_%E5%BC%80%E6%94%BE%E6%9D%83%E9%87%8D%E4%B8%8E%E5%B0%81%E9%97%AD%E6%9D%83%E9%87%8D%E6%A8%A1%E5%9E%8B#cite_note-stanford_index_2025-1)}。其区别在于模型训练后参数（权重）的可用性。**Open-weight** 模型会公布其权重，允许社区使用、修改和本地部署。而 **Closed-weight** 模型则将权重保密，仅通过专有 API 提供其功能访问^{[\[2\]](https://systems-analysis.info/int/Open-weight_and_closed-weight_models_%E2%80%94_%E5%BC%80%E6%94%BE%E6%9D%83%E9%87%8D%E4%B8%8E%E5%B0%81%E9%97%AD%E6%9D%83%E9%87%8D%E6%A8%A1%E5%9E%8B#cite_note-karpathy_def-2)}。 ## 定义与主要区别 ### Open-weight 模型（开放权重） **Open-weight 模型**是指神经网络的训练参数（权重）可供公众使用、修改和分发的系统。根据 OpenAI 的 **Andrej Karpathy** 的定义，这类模型类似于“交付操作系统的二进制文件”——用户获得一个可用的产品，但通常无法访问训练源代码或训练数据。主要特点： - **本地部署**：能够在自有硬件上运行模型，从而实现对数据和隐私的完全控制。 - **微调 (Fine-tuning)**：能够根据特定任务和领域调整模型。 - **透明度与审计**：研究人员可以审查模型的内部机制，以发现偏见和漏洞。 ### Closed-weight 模型（封闭权重） **Closed-weight 模型**（也称为专有模型）是指其参数为商业机密，仅通过 API 或有限许可提供访问的系统。像 OpenAI 和 Anthropic 这样的开发公司完全控制模型的架构、训练方法和推理机制。GPT-4 的技术报告中明确指出，出于“竞争环境和大规模模型安全影响的考虑”，拒绝透露细节^{[\[3\]](https://systems-analysis.info/int/Open-weight_and_closed-weight_models_%E2%80%94_%E5%BC%80%E6%94%BE%E6%9D%83%E9%87%8D%E4%B8%8E%E5%B0%81%E9%97%AD%E6%9D%83%E9%87%8D%E6%A8%A1%E5%9E%8B#cite_note-gpt4_report-3)}。主要特点： - **中心化控制**：开发者管理更新、安全和使用策略。 - **易用性**：通过 API 访问，用户无需管理复杂的基础设施。 - **不透明性**：无法访问内部机制，使得独立审计变得不可能，并且难以理解错误或带有偏见的回答的原因。 ### 与开源（Open-source）的区别区分 **open-weight** 和 **open-source** 这两个术语非常重要。一个真正的 open-source 模型意味着发布复现所需的所有构件：权重、架构、训练代码和数据集。大多数现代的“开放”模型，如 Meta 的 Llama，都是 *open-weight*，但并非完全 *open-source*，因为它们的训练数据和确切的训练方法仍然是保密的。 ## 对比分析：性能、成本与创新 ### 性能与定制化从历史上看，像 **GPT-4** 这样的 closed-weight 模型在通用基准测试中一直处于领先地位。然而，性能差距正在迅速缩小。根据《斯坦福 AI 指数 2025》的数据，这一差距在过去一年中从 8% 缩小到了 1.7%^{[\[1\]](https://systems-analysis.info/int/Open-weight_and_closed-weight_models_%E2%80%94_%E5%BC%80%E6%94%BE%E6%9D%83%E9%87%8D%E4%B8%8E%E5%B0%81%E9%97%AD%E6%9D%83%E9%87%8D%E6%A8%A1%E5%9E%8B#cite_note-stanford_index_2025-1)}。强大的 open-weight 模型，如 Meta 的 **LLaMA 3.1 405B** 和 **DeepSeek-V3**，表现出相当的性能，在某些任务上（尤其是在编程方面）甚至超越了对手^{[\[4\]](https://systems-analysis.info/int/Open-weight_and_closed-weight_models_%E2%80%94_%E5%BC%80%E6%94%BE%E6%9D%83%E9%87%8D%E4%B8%8E%E5%B0%81%E9%97%AD%E6%9D%83%E9%87%8D%E6%A8%A1%E5%9E%8B#cite_note-deepseek_v3-4)}。 Open-weight 模型的一个关键优势在于**深度定制化**。在特定数据上进行微调的能力，使其在医学或法律等狭窄领域能够超越规模更大但更通用的 closed-weight 模型。 ### 经济方面 - **训练成本**：创建前沿（frontier）模型的成本极其高昂。GPT-4 的训练成本估计超过**1亿美元**。而像 DeepSeek-V3 这样的 open-weight 模型，以**550万美元**的成本就达到了相似的性能，从而使强大系统的创建变得更加大众化。 - **使用成本（推理）**：Closed-weight 模型通过 API 按使用量付费（*pay-per-use*），在大规模使用时可能导致高昂的费用。而本地部署的 open-weight 模型需要初期基础设施投资，但在规模化应用时，其总拥有成本（TCO）要低得多。 ### 对科学研究与创新的影响 Open-weight 模型通过提供**可复现性**和**大众化访问**，从根本上改变了科学研究。世界各地的研究人员可以分析、批评和改进开放模型，这创造了一个充满活力的生态系统，并加速了技术进步。相反，封闭模型则造成了“可复现性危机”，因为其声称的结果无法被独立验证。 ## 安全与伦理困境安全问题是开放与控制之争的核心困境。 - **Closed-weight 方法（中心化预防）**：像 OpenAI 和 Anthropic 这样的开发者采用预防性方法。他们实施复杂的安全过滤器，进行密集的“红队演练”（red teaming），并遵守严格的政策，例如 Anthropic 的*责任扩展政策（Responsible Scaling Policy）*，承诺不部署超过特定风险阈值的模型^{[\[5\]](https://systems-analysis.info/int/Open-weight_and_closed-weight_models_%E2%80%94_%E5%BC%80%E6%94%BE%E6%9D%83%E9%87%8D%E4%B8%8E%E5%B0%81%E9%97%AD%E6%9D%83%E9%87%8D%E6%A8%A1%E5%9E%8B#cite_note-anthropic_rsp-5)}。 - **Open-weight 方法（去中心化弹性）**：这种理念与开源世界的哲学相似，即“只要有足够多的眼睛，所有 Bug 都是浅显的”。社区可以更快地发现和修复漏洞。然而，这也带来了风险：恶意行为者同样可以轻易地研究模型以寻找漏洞，或通过微调移除安全防护机制。研究表明，人类意图而非模型的可用性，是主要的风险因素。在记录在案的生成式 AI 滥用案例中，**90%** 与利用其允许的功能有关，而非系统本身产生的危害。 ## 监管方法：欧盟与美国 - **欧盟《AI法案》**：采取一种预防性的、基于风险的方法。该法案对具有“系统性风险”的模型（训练算力需求超过 10²⁵ FLOPS）施加了严格的义务，但为不构成此类风险的开源模型提供了有限的豁免。这既激励了透明度，也带来了监管的复杂性。 - **美国的方法**：基于通过行业标准鼓励创新和管理风险。**拜登总统的第14110号行政命令**及随后的 **NTIA** 报告建议，不要立即对 open-weight 模型施加限制，而是提议建立一个监控系统，以便根据事实数据做出决策^{[\[6\]](https://systems-analysis.info/int/Open-weight_and_closed-weight_models_%E2%80%94_%E5%BC%80%E6%94%BE%E6%9D%83%E9%87%8D%E4%B8%8E%E5%B0%81%E9%97%AD%E6%9D%83%E9%87%8D%E6%A8%A1%E5%9E%8B#cite_note-ntia_report-6)}。 ## 关键模型与参与者 | 模型类型 | 模型 | 开发者 | 主要特点 | |-------------------|-------------------|------------|-------------------------------------------------------------| | **Open-weight** | LLaMA 3.1 | Meta | 性能卓越，为开放模型树立了标杆；拥有庞大的社区。 | | | **Mixtral 8x7B** | Mistral AI | “混合专家”（MoE）架构，以低推理成本实现高性能。 | | **Closed-weight** | GPT-4 / GPT-4o | OpenAI | 历史上的性能领导者，具备强大的多模态能力。 | | | **Claude 4 Opus** | Anthropic | 专注于安全与伦理（Constitutional AI），拥有超大上下文窗口。 | 主流 Open-weight 与 Closed-weight 模型对比表 ## 外部链接 - Stanford AI Index Report 2025 — 关于人工智能发展状况的年度报告。 - NTIA 关于开放权重模型的报告 ## 参考文献 - 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. ## 注释 1. ↑ ^{[1.0](https://systems-analysis.info/int/Open-weight_and_closed-weight_models_%E2%80%94_%E5%BC%80%E6%94%BE%E6%9D%83%E9%87%8D%E4%B8%8E%E5%B0%81%E9%97%AD%E6%9D%83%E9%87%8D%E6%A8%A1%E5%9E%8B#cite_ref-stanford_index_2025_1-0)} ^{[1.1](https://systems-analysis.info/int/Open-weight_and_closed-weight_models_%E2%80%94_%E5%BC%80%E6%94%BE%E6%9D%83%E9%87%8D%E4%B8%8E%E5%B0%81%E9%97%AD%E6%9D%83%E9%87%8D%E6%A8%A1%E5%9E%8B#cite_ref-stanford_index_2025_1-1)} 《Artificial Intelligence Index Report 2025》。*Stanford University HAI*。[1] 检索于2025年7月4日。 2. [↑](https://systems-analysis.info/int/Open-weight_and_closed-weight_models_%E2%80%94_%E5%BC%80%E6%94%BE%E6%9D%83%E9%87%8D%E4%B8%8E%E5%B0%81%E9%97%AD%E6%9D%83%E9%87%8D%E6%A8%A1%E5%9E%8B#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_%E5%BC%80%E6%94%BE%E6%9D%83%E9%87%8D%E4%B8%8E%E5%B0%81%E9%97%AD%E6%9D%83%E9%87%8D%E6%A8%A1%E5%9E%8B#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_%E5%BC%80%E6%94%BE%E6%9D%83%E9%87%8D%E4%B8%8E%E5%B0%81%E9%97%AD%E6%9D%83%E9%87%8D%E6%A8%A1%E5%9E%8B#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_%E5%BC%80%E6%94%BE%E6%9D%83%E9%87%8D%E4%B8%8E%E5%B0%81%E9%97%AD%E6%9D%83%E9%87%8D%E6%A8%A1%E5%9E%8B#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_%E5%BC%80%E6%94%BE%E6%9D%83%E9%87%8D%E4%B8%8E%E5%B0%81%E9%97%AD%E6%9D%83%E9%87%8D%E6%A8%A1%E5%9E%8B#cite_ref-ntia_report_6-0) 《Dual-Use Foundation Models with Widely Available Model Weights》。*U.S. Department of Commerce, NTIA*。(2024)。