Co naprawdę znaczy open weights i co te modele wciąż ukrywają
Wydania open-weight pozwalają każdemu pobrać parametry modelu, ale raport Mozilli opublikowany 15 września twierdzi, że najlepszy otwarty model wciąż zostaje około cztery miesiące za zamkniętym liderem. Open Source Initiative przekonuje z kolei, że etykieta obejmuje znacznie mniej niż cztery wolności oprogramowania.

„Open weights” to dziś hasło marketingowe w równym stopniu co techniczne. Mówiąc najprościej: wytrenowane parametry modelu publikuje się jako pliki, które można pobrać, uruchomić i dostroić. To wszystko. Nic nie mówi o danych, na których model się uczył, o kodzie treningu ani o licencji, która do niego dołączono.
Rozróżnienie ma znaczenie, bo termin pojawia się w sporach o politykę, decyzjach zakupowych i coraz częściej w argumentach o bezpieczeństwo narodowe. Warto więc oddzielić to, co daje wydanie open-weight, od tego, co zatrzymuje dla siebie.
Test czterech wolności
Open Source Initiative, które prowadzi definicję używaną przez większość branży software'owej, przedstawiło swoje stanowisko we wpisie na blogu z 19 września. Modele AI mają trzy główne części: dane treningowe, wagi czyli parametry oraz kod do przygotowania danych i treningu. To, do której z nich masz dostęp, decyduje o tym, czy model jest zamknięty, open-weight czy Open Source AI.
Open weights dają ci jedną z trzech. Możesz uruchomić model lokalnie i płacić tylko za prąd i sprzęt albo powierzyć go zewnętrznemu dostawcy hostingu. Możesz dostroić go na własnych danych. To więcej swobody niż w systemie całkowicie zamkniętym, gdzie korzystasz z infrastruktury dostawcy i płacisz jego stawki.
Modele open-weight ograniczają możliwość modyfikowania modelu i nie pozwalają go w pełni zbadać.
Argument OSI jest taki, że to nie wystarcza, by spełnić cztery wolności oprogramowania: używania, badania, modyfikowania i udostępniania bez pytania właściciela praw o zgodę. Bez kodu treningu oraz albo zbioru danych, albo szczegółowego opisu jego budowy nie sprawdzisz, dlaczego model daje taki a nie inny wynik. Organizacja wskazuje Olmo od Ai2 jako kontrprzykład: duży model językowy udostępniony z pełnym zbiorem danych treningowych i checkpointami, dzięki czemu badacze mogli wstrzyknąć nowe informacje do danych treningowych i obserwować, jak model je zapamiętał albo zapomniał.
Tego rodzaju eksperyment to praktyczna różnica między obiema etykietami. W czytaniu OSI to także różnica między możliwością zweryfikowania modelu a koniecznością wierzenia komuś na słowo.
Luka i jak się ją mierzy
Mozilla opublikowała wersję 1.1 raportu State of Open Source AI 15 września, na danych aktualnych do 1 września, podaje Tom's Hardware. Najważniejszy wniosek: najlepszy otwarty model zostawał za zamkniętym liderem w Artificial Analysis Intelligence Index o trzy punkty, przy 60% ceny, i o dwa punkty za Claude Fable 5 przy 30% kosztu.
Dopasowanie Mozilli do danych METR o horyzoncie zadań daje lukę otwarte-zamknięte na około 4,4 miesiąca, zgodnie z czteromiesięcznym szacunkiem Epoch AI. METR, organizacja non-profit zajmująca się badaniami, ocenia modele według długości zadania, mierzonej czasem pracy człowieka, które kończą w połowie przypadków. Według szacunku Mozilli zamknięte modele radzą sobie z zadaniami zajmującymi ekspertom od 8 do 12 godzin; otwarte dochodzą do tego około cztery miesiące później. Mozilla wylicza, że możliwości otwartych modeli podwajają się co 3,9 miesiąca, a zamkniętych co 5,5 miesiąca.
Raport nie jest neutralnym dokumentem i Tom's Hardware mówi to wprost. Mozilla to organizacja non-profit stojąca za Firefoksem i orędownik otwartych modeli. TIME podał 14 lipca, że Raffi Krikorian, dyrektor techniczny Mozilli, opisał raport jako częściowo rzeczniczy. Powstał na podstawie ankiety Mozilla/SlashData wśród około 1 400 deweloperów, danych o ruchu z OpenRouter i zewnętrznych indeksów benchmarkowych; uwzględnia 16 godnych uwagi otwartych wydań, z których żadne nie dostarcza przepisu na dane, jakiego wymaga definicja OSI.
Jest jeszcze kilka zastrzeżeń, o których warto pamiętać. Czteromiesięczna liczba i porównanie ceny tokenów na poziomie 30% są mierzone API do API na hostowanych endpointach, według cennika. Własny wykres sprzętowy Mozilli opowiada ostrzejszą historię: najlepszy otwarty model, który mieści się na jednym serwerze, ma wynik 52,6, a najlepszy mieszczący się na jednym GPU 40, czyli spadki o 10 i 23 punkty od szczytu. Natywny checkpoint MXFP4 modelu Kimi K3 zajmuje około 1,56 TB w 96 shardach, a konfiguracja serwowania Mozilli wymienia 64 lub więcej akceleratorów, podczas gdy vLLM wymaga co najmniej ośmiu GPU GB300 i wielu węzłów do obsługi ruchu produkcyjnego. Raport opisuje to jako otwarte, ale nierunowalne dla większości tych, którzy je mają.
Co rynek faktycznie robi
Wdrożenia i przychody wskazują w różne strony. Na OpenRouterze, rynku kierującym ruch deweloperów do setek modeli, Mozilla naliczyła osiem z dziesięciu czołowych modeli według wolumenu tokenów w sierpniu jako open weights, siedem z nich zbudowanych w Chinach. Mimo to zamknięci dostawcy zgarnęli 96% przychodów warstwy modeli na OpenRouterze między majem a wrześniem 2025 roku, według Linux Foundation.
„Decyzję o płaceniu za zamknięte [modele] postrzegamy jako zależną od obciążenia, a nie od organizacji” – powiedział Krikorian w mailu do Ars Technica.
Obraz benchmarków zmienia się dość szybko, by utrudnić każde statyczne porównanie. Dane Mozilli kończą się 1 września. Od tego czasu Artificial Analysis przeniosło swój indeks na wersję 4.3 z innym zestawem ewaluacyjnym; bieżąca tablica pokazuje Claude Fable 5.1 z wynikiem 53 na najwyższym ustawieniu wysiłku, a Kimi K3 z 44, przy czym, jak zauważa Tom's Hardware, liczby te nie są porównywalne z wartościami 4.1.1, które naniosła Mozilla. Tablica Terminal-Bench 2.1 serwisu vals.ai, zaktualizowana 11 września, ma na czele GPT-6 Astra z 87,27%, a Fable 5.1 z 85,02%. Podpis pod własnym wykresem Mozilli brzmi: „luka resetuje się w każdym cyklu wydawniczym”.
Przez dyskusję o Kimi K3 przewija się jeszcze jeden wątek. Modelowi towarzyszy zarzut opisany w zbiorowym advisorie NSA/CISA/FBI AA26-251A z 8 września, który raport Mozilli przytacza jako „twierdzony, a nie wykazany”: że Moonshot wyciągnął dane Claude Fable 5, by trenować K3 przez destylację, czyli trenowanie jednego modelu na wynikach drugiego. 17 lipca Artificial Analysis miało K3 na 57 przy 60 dla Fable 5; do 1 września Mozilla miała go dwa punkty z tyłu.
Dlaczego trwa spór o etykietę
I OSI, i Mozilla opowiadają się za większą otwartością, ale z różnych stron. OSI chce zarezerwować termin „open source” dla wydań, które zawierają wszystkie trzy części, bo w miarę jak AI wchodzi do codziennego życia, pytania o zaufanie i weryfikację stają się trudniejsze. Mozilla chce, by zmierzone możliwości otwartych modeli traktowano poważnie, przyznając zarazem, że czołowych modeli nie uruchomi większość tych, którzy mogą je pobrać.
Dla kogoś, kto czyta kartę modelu, praktyczny wniosek jest wąski i sprawdzalny. Sprawdź, czy wagi da się pobrać, jaka licencja nimi rządzi, czy dołączono kod treningu lub dokumentację danych i jakiego sprzętu ta rzecz naprawdę potrzebuje. Hasło na górze strony nie odpowie na żadne z tych pytań.
Źródła
2- 01China's open-weight AI models are now just 4 months behind frontier US offerings, Mozilla report claimsEN
- 02Open Weights Are Good. Open Source Is Better.EN
Wszystkie liczby i cytaty w tym tekście pochodzą z poniższych źródeł. Nie dopisujemy danych, których w źródłach nie ma.
Materiały zostały przygotowane przez zespół redakcyjny wspierane przez AI.
Komentarze
0- Brak komentarzy — bądź pierwszy.