Otwarte wagi to nie otwarte źródło. Spór o etykietę
Modele językowe z otwartymi wagami trafiają na rynek szybciej niż reguły, które je opisują. Open Source Initiative przekonuje, że same wagi ujawniają tylko „ułamek informacji potrzebnych do pełnej rozliczalności”, a krytycy mówią, że etykieta jest naciągana.

Pobranie pliku modelu z Hugging Face zajmuje kilka sekund. Ustalenie, co do niego weszło, wymaga wezwania do sądu. Ta luka to cały spór.
Steven J. Vaughan-Nichols z The Register postawił tę różnicę ostro 15 września. Wydanie może mieć otwarte wagi i nie być otwartym źródłem. Od tej różnicy zależy, czy można jedynie uruchomić gotową sieć neuronową, czy naprawdę zajrzeć do systemu, który ją wytworzył, odtworzyć go, zmienić i dalej rozpowszechniać. Wagi to wyuczone parametry liczbowe, które powstają w treningu. Razem z architekturą i kodem wnioskowania składają się na działający duży model językowy. Model z otwartymi wagami można postawić u siebie, dostroić na wewnętrznych dokumentach i nie wysyłać promptów do zastrzeżonego API. W większości wydań nie widać jednak przepisu na dane, z których powstał.
Dla ludzi, którzy piszą licencje, to nie jest techniczna drobnostka.
OSI stawia granicę, a potem zbiera za to krytykę
Open Source Initiative, które prowadzi definicję otwartego oprogramowania, mówi wprost, że „otwarte wagi odnoszą się do końcowych wag i obciążeń wytrenowanej sieci neuronowej”. Dodaje, że ich publikacja ujawnia tylko „ułamek informacji potrzebnych do pełnej rozliczalności”. Lukę miała zamknąć własna definicja OSI, OSAID 1.0. Wymaga, by parametry modelu, w tym wagi, były dostępne na warunkach zatwierdzonych przez OSI, ale nie wskazuje konkretnego mechanizmu prawnego. Opublikowano ją w październiku 2024 r. i już wtedy przyznawano, że będzie się zmieniać.
Krytycy twierdzą, że głównej wady nikt nie naprawił. Luca Antiga, dyrektor ds. technologii w Lightning AI i znany współtwórca PyTorcha, przekonywał, że sposób, w jaki OSAID traktuje wagi, zostawia „dziurę, przez którą licencje będą słabiej rozstrzygać, czy systemy AI na licencji OSI da się w ogóle wdrożyć w realnych warunkach”. Bruce Perens, autor pierwotnej definicji otwartego oprogramowania, odrzucił OSAID w 2024 r., a później oświadczył: „To nie jest open source! … Szkoda, że sama Open Source Initiative bierze teraz udział w openwashingu”. Bradley Kuhn z Software Freedom Conservancy i Richard Fontana, starszy radca handlowy w Red Hacie, wezwali do wycofania OSAID. Ich zdaniem OSI „działało zbyt szybko, narzucając społeczności zbyt ambitny kompromis polityczny”. Podział, jak piszą, „poważnie zaszkodził reputacji, autorytetowi i wpływom OSI”.
James Landay, dyrektor Stanford Institute for Human-Centered AI, przedstawił The Register praktyczną wersję tego zarzutu: „Otwarte wagi to postęp. Można pobrać model, uruchomić go na własnej maszynie, nie wpuszczać go do cudzego pipeline'u danych. Ale nadal nie widać, jak to zbudowano, na czym trenowano i dlaczego zachowuje się tak, jak się zachowuje. To nie jest otwarty model. To otwarta dystrybucja”.
„Otwarte wagi odpowiadają na pytanie »czy mogę to uruchomić?«. Otwarte źródło odpowiada na pytanie »czy mogę temu zaufać, ulepszyć to i zbudować na tym następną rzecz?«”, powiedział Landay.
Bez danych treningowych i szczegółowej dokumentacji osoby z zewnątrz nie ustalą, z jakich źródeł korzystano. Nie powiedzą, jakie materiały chronione prawem autorskim albo prywatne mogły trafić do zbioru ani jak dane wybierano i usuwano. Nie zobaczą, których języków i społeczności zabrakło, czy dane testowe nie przeciekły do treningu i jakie metody dopasowania i bezpieczeństwa kształtowały model po pretreningu.
Licencja, która próbuje pogodzić jedno z drugim
W tę lukę weszła licencja Open Model, Data, and Weights Fundacji Linux, złożona do OSI przez Mike'a Dolana. OpenMDW istnieje od 2025 r., a wśród współtwórców wymienia Amazon, Metę, IBM, Microsoft i Nvidię, co daje jej wagę w branży. Dzieli warunki dla architektury modelu, danych treningowych i wag. Wszystko, co dostarcza licencjodawca, trafia pod jedną umowę. Klasyczne otwarte oprogramowanie kręci się wokół kodu źródłowego. LLM łączą kod, architekturę i liczbowe wagi powstałe ze zbiorów, które mogą być zastrzeżone, chronione prawem autorskim albo po prostu nieujawnione.
Zgłoszenie natrafiło na sprzeciwy na liście mailingowej OSI do przeglądu licencji. Stefano Maffulli, były dyrektor wykonawczy OSI, kierował organizacją, gdy powstawała OSAID. Powiedział: „Wciąż mam wrażenie, że przegląd OpenMDW jest skażony uprzedzeniem ideologicznym: skoro nie lubimy wielkich firm technologicznych, a AI to dziś wielkie firmy technologiczne, to nie lubimy AI, więc zrobimy wszystko, żeby to zablokować”.
Tymczasem modele wychodzą dalej. Raport Mozilli State of Open Source AI w wersji 1.1, opublikowany 15 września na podstawie danych do 1 września, naliczył 16 znaczących otwartych wydań. Żadne nie daje przepisu na dane, którego wymaga OSAID. Mozilla jest rzecznikiem otwartych modeli. Jej dyrektor ds. technologii Raffi Krikorian powiedział 14 lipca magazynowi TIME, że raport jest po części rzecznictwem, jak podał Tom's Hardware.
Luka w możliwościach się zamyka, luka w kosztach nie
Liczby Mozilli to najbardziej konkretny obraz tego, gdzie są dziś otwarte wagi. Najlepszy otwarty model tracił do zamkniętego lidera trzy punkty w Artificial Analysis Intelligence Index, przy 60% ceny. Do Claude Fable 5 tracił dwa punkty przy 30% ceny. Dopasowanie Mozilli do danych METR o horyzoncie zadań daje lukę otwarte-zamknięte około 4,4 miesiąca, zgodnie z czteromiesięcznym szacunkiem Epoch AI. Te dane oceniają modele po długości zadania, mierzonej czasem pracy człowieka, które kończą w połowie przypadków. Możliwości otwartych modeli podwajają się co 3,9 miesiąca według obliczeń Mozilli, zamkniętych co 5,5 miesiąca.
Plansza Terminal-Bench 2.1 serwisu vals.ai przepuszcza każdy model przez ten sam zestaw testowy. GLM-5.2 od Z.ai zdobył tam wynik w granicach punktu od Claude Opus 4.7 i około czterech punktów mniej niż Opus 4.8, przy koszcie poniżej jednej piątej ceny za test. Na OpenRouterze Mozilla naliczyła osiem z dziesięciu modeli o największym wolumenie tokenów do sierpnia jako otwarte wagi, siedem z nich zbudowano w Chinach. Zamknięci dostawcy wzięli jednak 96% przychodów na poziomie modeli na OpenRouterze od maja do września 2025 r., według Fundacji Linux. Krikorian napisał w mailu do Ars Techniki: „Decyzję o płaceniu za zamknięte [modele] widzimy jako zależną od obciążenia, nie od organizacji”.
Te liczby mają zastrzeżenia, które raport sam podaje. Czteromiesięczną lukę i 30% ceny tokena mierzono API do API na hostowanych endpointach i według cennika. Własny wykres sprzętowy Mozilli daje najlepszemu otwartemu modelowi mieszczącemu się na jednym serwerze 52,6, a najlepszemu na jednym GPU 40. To spadki o 10 i 23 punkty od szczytu, większa luka niż cztery miesiące. Rodzimy checkpoint MXFP4 modelu Kimi K3 zajmuje około 1,56 TB na 96 shardach. Konfiguracja serwowania Mozilli wymienia 64 lub więcej akceleratorów, a vLLM wymaga co najmniej ośmiu GPU GB300, przy czym ruch produkcyjny rozkłada się na wiele węzłów. Raport opisuje to jako otwarte, ale nie do uruchomienia dla większości tych, którzy to mają. Jeden wyjątek stanowi Inkling-Small od Thinking Machines na licencji Apache 2.0: jego wersja NVFP4 mieści się na jednym B300 przy minimum 180 GB.
Dane kończą się 1 września, a rankingi od tego czasu się zmieniły. Artificial Analysis prowadzi teraz index v4.3 z innym zestawem ewaluacyjnym. Na żywej planszy Claude Fable 5.1 ma 53 przy najwyższym ustawieniu wysiłku, a Kimi K3 44, i tych liczb nie da się porównać z wartościami v4.1.1, które naniosła Mozilla. Podpis na wykresie Mozilli brzmi: „luka resetuje się w każdym cyklu wydawniczym”.
Do K3 przylgnął też niepotwierdzony zarzut. Wspólne ostrzeżenie NSA, CISA i FBI z 8 września (AA26-251A) twierdzi, że Moonshot pozyskał dane Claude Fable 5, żeby trenować K3 przez destylację. Destylacja polega na trenowaniu jednego modelu na wynikach drugiego. Raport Mozilli podaje to jako „twierdzenie bez dowodu”. 17 lipca Artificial Analysis dawało K3 57 punktów przy 60 Fable 5, a do 1 września Mozilla miała go dwa punkty z tyłu.
Po co właściwie jest ta etykieta
Nic z tego nie rozstrzyga sporów o prawa autorskie. Praca A. Feder Cooper, Marka A. Lemleya i współautorów sprawdziła 200 książek na 14 modelach z otwartymi wagami w ponad 3 000 eksperymentów. Po raz pierwszy złożono ją do arXiv w maju 2025 r. i poprawiano do lipca 2026 r. Autorzy ustalili, że większość LLM-ów nie zapamiętuje większości książek w całości ani we fragmentach. Ale Llama 3.1 70B, model o 70 000 000 000 parametrów, zapamiętuje w całości niektóre tytuły, w tym Harry'ego Pottera i Kamień Filozoficzny. Całą książkę można wyciągnąć niemal dosłownie z jej pierwszych słów. Wniosek pracy jest taki, że zapamiętywanie zależy od modelu i od książki. Wyniki mają duże znaczenie dla spraw o prawa autorskie, „choć nie takie, które jednoznacznie sprzyjałoby którejkolwiek stronie”.
W tym niezręcznym środku siedzi etykieta. Otwarte wagi mówią, że model można uruchomić i dostroić. Nie mówią, czym go karmiono. Ujęcie Landaya, cytowane przez The Register, jest najczystsze: otwarte wagi odpowiadają, czy da się to uruchomić, otwarte źródło odpowiada, czy można temu zaufać, ulepszyć to i na tym budować. Na razie w przypadku niemal każdego wydania na Hubie pierwsza odpowiedź brzmi tak, a druga wciąż jest pytaniem.
Źródła
3- 01Open weights are not open source: Why AI's favorite label is under disputeEN
- 02China's open-weight AI models are now just 4 months behind frontier US offerings, Mozilla report claimsEN
- 03Extracting memorized pieces of books from open-weight language modelsEN
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.