--- title: "Open-weight и Closed-weight модели" source: "https://systems-analysis.info/wiki/Open-weight_%D0%B8_Closed-weight_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8" wiki: "systems-analysis.info/wiki" article: "Open-weight_и_Closed-weight_модели" language: "ru" categories: - "Категория:Russian" - "Категория:Большие языковые модели" - "Категория:Машинное обучение" revision_id: 156 wiki_created_at: 2026-09-06T22:04:35Z wiki_modified_at: 2026-09-06T22:04:35Z downloaded_at: 2026-09-07T22:17:53Z --- # Open-weight и Closed-weight модели **Open-weight и Closed-weight модели** — это два фундаментально различных подхода к разработке и распространению [больших языковых моделей](https://systems-analysis.info/wiki/%D0%91%D0%BE%D0%BB%D1%8C%D1%88%D0%B8%D0%B5_%D1%8F%D0%B7%D1%8B%D0%BA%D0%BE%D0%B2%D1%8B%D0%B5_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8 "Большие языковые модели") (LLM), формирующие ключевую дихотомию в современной экосистеме искусственного интеллекта. Выбор между этими подходами влияет на технические возможности, экономику, безопасность и будущее развитие ИИ[\[1\]](https://systems-analysis.info/wiki/Open-weight_%D0%B8_Closed-weight_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8#cite_note-stanford_index_2025-1). Различие заключается в доступности обученных параметров (весов) модели. **Open-weight** модели публикуют свои веса, позволяя сообществу их использовать, модифицировать и развертывать локально. **Closed-weight** модели, напротив, сохраняют веса в секрете, предоставляя доступ к своим возможностям исключительно через проприетарные API[\[2\]](https://systems-analysis.info/wiki/Open-weight_%D0%B8_Closed-weight_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8#cite_note-karpathy_def-2). ## Определения и ключевые различия ### Модели Open-weight (с открытыми весами) **Open-weight модели** — это системы, в которых обученные параметры (веса) нейронной сети публично доступны для использования, модификации и распространения. По определению **Андрея Карпати** из OpenAI, такая модель подобна "передаче бинарного файла операционной системы" — пользователи получают функциональный продукт, но, как правило, без доступа к исходному коду обучения или обучающим данным. Ключевые характеристики: - **Локальное развертывание**: Возможность запускать модель на собственном оборудовании, обеспечивая полный контроль над данными и конфиденциальность. - **Тонкая настройка ([Fine-tuning](https://systems-analysis.info/wiki/Fine-tuning "Fine-tuning"))**: Возможность адаптировать модель под специфические задачи и домены. - **Прозрачность и аудит**: Исследователи могут изучать внутренние механизмы модели для выявления предвзятостей и уязвимостей. ### Модели Closed-weight (с закрытыми весами) **Closed-weight модели** (также известные как проприетарные) — это системы, параметры которых являются коммерческой тайной и доступны только через API или ограниченные лицензии. Компании-разработчики, такие как OpenAI и Anthropic, полностью контролируют архитектуру, методы обучения и механизмы вывода. В техническом отчете GPT-4 прямо указывается на отказ от раскрытия деталей, "учитывая конкурентную среду и последствия для безопасности крупномасштабных моделей"[\[3\]](https://systems-analysis.info/wiki/Open-weight_%D0%B8_Closed-weight_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8#cite_note-gpt4_report-3). Ключевые характеристики: - **Централизованный контроль**: Разработчик управляет обновлениями, безопасностью и политиками использования. - **Простота использования**: Доступ через API избавляет пользователей от необходимости управлять сложной инфраструктурой. - **Непрозрачность**: Отсутствие доступа к внутренним механизмам делает невозможным независимый аудит и затрудняет понимание причин ошибочных или предвзятых ответов. ### Отличие от Open-source Важно различать термины **open-weight** и **open-source**. Настоящая open-source модель предполагает публикацию всех артефактов, необходимых для воспроизведения: весов, архитектуры, кода обучения и наборов данных. Большинство современных «открытых» моделей, таких как [Llama](https://systems-analysis.info/wiki/LLaMA "LLaMA") от Meta, являются *open-weight*, но не полностью *open-source*, поскольку их обучающие данные и точные методы тренировки остаются закрытыми. ## Сравнительный анализ: производительность, стоимость и инновации ### Производительность и кастомизация Исторически closed-weight модели, такие как **GPT-4**, лидировали на общих бенчмарках. Однако разрыв в производительности стремительно сокращается. По данным *Stanford AI Index 2025*, он сократился с 8% до 1.7% за последний год[\[1\]](https://systems-analysis.info/wiki/Open-weight_%D0%B8_Closed-weight_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8#cite_note-stanford_index_2025-1). Мощные open-weight модели, такие как **LLaMA 3.1 405B** от Meta и **DeepSeek-V3**, демонстрируют сопоставимые, а на некоторых задачах (особенно в программировании) — и превосходящие результаты[\[4\]](https://systems-analysis.info/wiki/Open-weight_%D0%B8_Closed-weight_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8#cite_note-deepseek_v3-4). Ключевое преимущество open-weight моделей заключается в **глубокой кастомизации**. Возможность дообучения на специфических данных позволяет им превосходить более крупные, но универсальные closed-weight модели в узких областях, таких как медицина или юриспруденция. ### Экономические аспекты - **Стоимость обучения**: Создание передовых (frontier) моделей чрезвычайно дорого. Обучение GPT-4 оценивается более чем в **\$100 млн**. Open-weight модели, такие как DeepSeek-V3, достигают схожей производительности при затратах в **\$5.5 млн**, демократизируя доступ к созданию мощных систем. - **Стоимость использования (инференс)**: Closed-weight модели тарифицируются по модели *pay-per-use* через API, что может приводить к высоким расходам при больших объемах. Open-weight модели, развернутые локально, требуют начальных инвестиций в инфраструктуру, но имеют значительно более низкую совокупную стоимость владения (TCO) при масштабировании. ### Влияние на научные исследования и инновации Open-weight модели фундаментально трансформируют научные исследования, обеспечивая **воспроизводимость** и **демократизацию доступа**. Исследователи по всему миру могут анализировать, критиковать и улучшать открытые модели, что создает динамичную экосистему и ускоряет прогресс. В свою очередь, закрытые модели создают «кризис воспроизводимости», так как заявленные результаты невозможно проверить независимо. ## Безопасность и этические дилеммы Вопрос безопасности является центральной дилеммой в дебатах между открытостью и контролем. - **Подход Closed-weight (Централизованное предотвращение)**: Разработчики, такие как OpenAI и Anthropic, применяют превентивный подход. Они внедряют сложные фильтры безопасности, проводят интенсивное "красное командование" (red teaming) и придерживаются строгих политик, таких как *Responsible Scaling Policy* от Anthropic, обязуясь не развертывать модели, превышающие определенные пороги риска[\[5\]](https://systems-analysis.info/wiki/Open-weight_%D0%B8_Closed-weight_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8#cite_note-anthropic_rsp-5). - **Подход Open-weight (Децентрализованная устойчивость)**: Эта философия, схожая с миром open-source, предполагает, что «много глаз делают все ошибки мелкими». Сообщество может быстрее находить и исправлять уязвимости. Однако это создает и риски: злоумышленники могут так же легко изучать модели для поиска уязвимостей или удалять защитные механизмы путем дообучения. Исследования показывают, что человеческое намерение, а не доступность модели, является основным фактором риска. **90%** задокументированных случаев злоупотребления генеративным ИИ связаны с эксплуатацией разрешенных возможностей, а не с вредом, генерируемым самими системами. ## Регуляторные подходы: ЕС и США - **Закон ЕС об ИИ**: Принимает превентивный, риск-ориентированный подход. Закон вводит строгие обязательства для моделей с «системным риском» (требующих для обучения более 1025 флопс), но предоставляет ограниченные исключения для open-source моделей, которые не несут такого риска. Это создает стимул для прозрачности, но и регуляторную сложность. - **Подход США**: Основан на стимулировании инноваций и управлении рисками через отраслевые стандарты. **Исполнительный указ Президента Байдена 14110** и последующий отчет **NTIA** рекомендуют воздержаться от немедленного введения ограничений на open-weight модели, предлагая вместо этого создать систему мониторинга для принятия решений на основе фактических данных[\[6\]](https://systems-analysis.info/wiki/Open-weight_%D0%B8_Closed-weight_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8#cite_note-ntia_report-6). ## Ключевые модели и игроки | Тип модели | Модель | Разработчик | Ключевая особенность | |-------------------|--------------------------------------------------------------------------|--------------------------------------------------------------------|---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| | **Open-weight** | LLaMA 3.1 | Meta | Высокая производительность, задавшая стандарт для открытых моделей; большое сообщество. | | | **[Mixtral](https://systems-analysis.info/wiki/Mixtral "Mixtral") 8x7B** | [Mistral](https://systems-analysis.info/wiki/Mistral "Mistral") AI | Архитектура "смеси экспертов" (MoE), обеспечивающая высокую производительность при низких затратах на инференс. | | **Closed-weight** | GPT-4 / [GPT-4o](https://systems-analysis.info/wiki/GPT-4o "GPT-4o") | OpenAI | Исторический лидер по производительности, сильные мультимодальные возможности. | | | **[Claude](https://systems-analysis.info/wiki/Claude "Claude") 4 Opus** | Anthropic | Фокус на безопасности и этике ([Constitutional AI](https://systems-analysis.info/wiki/Constitutional_AI "Constitutional AI")), большое [контекстное окно](https://systems-analysis.info/wiki/%D0%9A%D0%BE%D0%BD%D1%82%D0%B5%D0%BA%D1%81%D1%82%D0%BD%D0%BE%D0%B5_%D0%BE%D0%BA%D0%BD%D0%BE "Контекстное окно"). | Сравнительная таблица ведущих Open-weight и Closed-weight моделей ## См. также - [Большие языковые модели](https://systems-analysis.info/wiki/%D0%91%D0%BE%D0%BB%D1%8C%D1%88%D0%B8%D0%B5_%D1%8F%D0%B7%D1%8B%D0%BA%D0%BE%D0%B2%D1%8B%D0%B5_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8 "Большие языковые модели") - [Few-shot и Zero-shot](https://systems-analysis.info/wiki/Few-shot_%D0%B8_Zero-shot "Few-shot и Zero-shot") - [Prompt и контекст](https://systems-analysis.info/wiki/Prompt_%D0%B8_%D0%BA%D0%BE%D0%BD%D1%82%D0%B5%D0%BA%D1%81%D1%82 "Prompt и контекст") - [Большие языковые модели Google](https://systems-analysis.info/wiki/%D0%91%D0%BE%D0%BB%D1%8C%D1%88%D0%B8%D0%B5_%D1%8F%D0%B7%D1%8B%D0%BA%D0%BE%D0%B2%D1%8B%D0%B5_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8_Google "Большие языковые модели Google") - [Большие языковые модели OpenAI](https://systems-analysis.info/wiki/%D0%91%D0%BE%D0%BB%D1%8C%D1%88%D0%B8%D0%B5_%D1%8F%D0%B7%D1%8B%D0%BA%D0%BE%D0%B2%D1%8B%D0%B5_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8_OpenAI "Большие языковые модели OpenAI") ## Ссылки - Stanford AI Index Report 2025 — Ежегодный отчет о состоянии ИИ. - Отчет NTIA по моделям с открытыми весами ## Литература - 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. ## Примечания 1. ↑ [1,0](https://systems-analysis.info/wiki/Open-weight_%D0%B8_Closed-weight_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8#cite_ref-stanford_index_2025_1-0) [1,1](https://systems-analysis.info/wiki/Open-weight_%D0%B8_Closed-weight_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8#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/wiki/Open-weight_%D0%B8_Closed-weight_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8#cite_ref-karpathy_def_2-0) Karpathy, Andrej. «On Open-sourcing LLMs». *X (formerly Twitter)*. 3. [↑](https://systems-analysis.info/wiki/Open-weight_%D0%B8_Closed-weight_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8#cite_ref-gpt4_report_3-0) «GPT-4 Technical Report». *OpenAI*. [2] 4. [↑](https://systems-analysis.info/wiki/Open-weight_%D0%B8_Closed-weight_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8#cite_ref-deepseek_v3_4-0) «DeepSeek-V2 and DeepSeek-Coder-V2 Technical Report». 5. [↑](https://systems-analysis.info/wiki/Open-weight_%D0%B8_Closed-weight_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8#cite_ref-anthropic_rsp_5-0) «Anthropic's Responsible Scaling Policy». *Anthropic*. 6. [↑](https://systems-analysis.info/wiki/Open-weight_%D0%B8_Closed-weight_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8#cite_ref-ntia_report_6-0) «Dual-Use Foundation Models with Widely Available Model Weights». *U.S. Department of Commerce, NTIA*. (2024).