Otwarte wagi to nie open source: spór o etykietę

Pobranie pliku modelu z Hugging Face zajmuje sekundy. Ustalenie, co w nim jest, wymaga wezwania do sądu. Ta różnica to cały spór.

Steven J. Vaughan-Nichols z The Register postawił sprawę jasno 15 września: wydanie może mieć otwarte wagi, nie będąc open source. Od tej różnicy zależy, czy można jedynie uruchomić gotową sieć neuronową, czy faktycznie zbadać, odtworzyć, zmienić i redystrybuować system, który ją wytworzył. Wagi to wyuczone parametry liczbowe powstałe w treningu. Razem z architekturą i kodem wnioskowania składają się na działanie dużego modelu językowego. Model z otwartymi wagami można hostować u siebie, dostrajać na wewnętrznych dokumentach i nie wysyłać promptów do zastrzeżonego API. Czego w większości wydań zrobić nie można, to zobaczyć przepis na dane, które za nim stoją.

Dla ludzi piszących licencje to nie jest szczegół techniczny.

OSI stawia granicę i zbiera za to krytykę

Open Source Initiative, która zarządza definicją open source, mówi wprost, że "otwarte wagi odnoszą się do końcowych wag i biasów wytrenowanej sieci neuronowej", a ich udostępnienie ujawnia jedynie "część informacji potrzebnej do pełnej rozliczalności". Jej własna definicja Open Source AI, OSAID 1.0, miała tę lukę zamknąć. Wymaga, by parametry modelu, w tym wagi, były dostępne na warunkach zatwierdzonych przez OSI, ale nie narzuca konkretnego mechanizmu prawnego. Dokument opublikowano w październiku 2024 roku i już wtedy zapowiadano, że będzie się zmieniał.

Krytycy twierdzą, że głównej wady nigdy nie naprawiono. Luca Antiga, CTO Lightning AI i znany współtwórca PyTorcha, przekonywał, że podejście OSAID do wag zostawia "ogromną dziurę, która sprawi, że licencje będą mniej skuteczne w rozstrzyganiu, czy systemy AI z licencją OSI można wdrażać w realnych warunkach". Bruce Perens, autor pierwotnej definicji open source, potępił OSAID w 2024 roku, a później oświadczył: "To nie jest open source! ... To niefortunne, że sama Open Source Initiative uczestniczy teraz w openwashingu". Bradley Kuhn z Software Freedom Conservancy i Richard Fontana, starszy radca handlowy Red Hata, wezwali do uchylenia OSAID. Argumentowali, że OSI "działała zbyt szybko, narzucając społeczności zbyt ambitny kompromis polityczny", a rozłam "poważnie zaszkodził reputacji, autorytetowi i wpływom OSI".

James Landay, dyrektor Stanford Institute for Human-Centered AI, przedstawił The Register praktyczną wersję zarzutu: "Otwarte wagi to postęp. Możesz pobrać model, uruchomić go na własnej maszynie, trzymać go z dala od cudzego pipeline'u danych. Ale nadal nie widzisz, jak to zbudowano, na czym to trenowano ani dlaczego zachowuje się tak, jak się zachowuje. To nie jest otwarty model. To otwarta dystrybucja".

"Otwarte wagi odpowiadają na pytanie 'Czy mogę to uruchomić?'. Open source odpowiada na pytanie 'Czy mogę temu zaufać, ulepszyć to i zbudować na tym coś następnego?'" powiedział Landay.

Bez danych treningowych i szczegółowej dokumentacji osoby z zewnątrz nie ustalą, z jakich źródeł korzystano, jakie materiały objęte prawem autorskim lub prywatne mogły zostać włączone, jak wybierano i usuwano dane, które języki i społeczności były niedoreprezentowane, czy dane benchmarkowe wyciekły do treningu ani jakie metody alignmentu i bezpieczeństwa ukształtowały model po pretreningu.

Licencja, która próbuje znaleźć środek

W tę lukę weszła licencja Open Model, Data, and Weights Fundacji Linux, zgłoszona do OSI przez Mike'a Dolana. OpenMDW istnieje od 2025 roku, a na liście współtwórców ma Amazon, Metę, IBM, Microsoft i Nvidię, co daje jej wagę w branży. Jej podejście polega na zdefiniowaniu osobnych warunków dla architektury modelu, danych treningowych i wag, tak by wszystko, co dostarcza licencjodawca, objąć jedną umową. Konwencjonalny open source kręci się wokół kodu źródłowego; LLM-y łączą kod, architekturę i liczbowe wagi pochodzące ze zbiorów danych, które mogą być zastrzeżone, chronione prawem autorskim albo po prostu nieujawnione.

Zgłoszenie napotkało sprzeciwy na liście mailingowej OSI do przeglądu licencji. Stefano Maffulli, były dyrektor wykonawczy OSI, który kierował organizacją w czasie tworzenia OSAID, powiedział: "Nadal mam wrażenie, że przegląd OpenMDW jest skażony uprzedzeniem ideologicznym: skoro nie lubimy wielkich firm technologicznych, a AI to teraz wielkie firmy technologiczne, to nie lubimy AI; więc zrobimy wszystko, żeby to zablokować".

Modele tymczasem wychodzą dalej. Raport Mozilli State of Open Source AI w wersji 1.1, opublikowany 15 września na danych aktualnych do 1 września, naliczył 16 znaczących otwartych wydań. Żadne nie dostarcza przepisu na dane, którego wymaga OSAID. Mozilla jest orędowniczką otwartych modeli, a jej CTO Raffi Krikorian powiedział TIME 14 lipca, że raport jest częściowo rzecznictwem, jak podaje Tom's Hardware.

Luka w możliwościach się zamyka, luka w kosztach nie

Liczby Mozilli to najbardziej konkretny pomiar tego, gdzie są dziś otwarte wagi. Najlepszy otwarty model tracił do zamkniętego lidera trzy punkty w Artificial Analysis Intelligence Index przy 60% ceny i był dwa punkty za Claude Fable 5 przy 30% ceny. Mozilla dopasowała dane METR o horyzoncie zadań, które oceniają modele po długości zadania w ludzkim czasie pracy wykonywanego w połowie przypadków. Z tego dopasowania luka otwarte-zamknięte wychodzi około 4,4 miesiąca, zgodnie z czteromiesięcznym szacunkiem Epoch AI. Otwarte możliwości podwajają się co 3,9 miesiąca według obliczeń Mozilli, wobec 5,5 miesiąca dla modeli zamkniętych.

Na tablicy Terminal-Bench 2.1 serwisu vals.ai, która przepuszcza każdy model przez ten sam zestaw testowy, GLM-5.2 od Z.ai zdobył wynik w granicach punktu od Claude Opus 4.7 i około czterech punktów za Opus 4.8, przy koszcie poniżej jednej piątej ceny za test. Na OpenRouterze Mozilla naliczyła osiem z dziesięciu najlepszych modeli według sierpniowego wolumenu tokenów jako otwarte wagi, siedem z nich zbudowanych w Chinach. Zamknięci dostawcy nadal zgarnęli 96% przychodów na poziomie modeli na OpenRouterze od maja do września 2025 roku, według Fundacji Linux. Krikorian napisał w mailu do Ars Technica: "Decyzję o płaceniu za zamknięte [modele] postrzegamy jako zależną od obciążenia, a nie od organizacji".

Te liczby mają zastrzeżenia, które sam raport podaje. Czteromiesięczna luka i 30% ceny tokena są mierzone API do API na hostowanych endpointach i w cenie katalogowej. Własny wykres sprzętowy Mozilli stawia najlepszy otwarty model mieszczący się na jednym serwerze na 52,6, a najlepszy mieszczący się na jednym GPU na 40, czyli spadki o 10 i 23 punkty od szczytu, większa luka niż cztery miesiące. Natywny 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, z wieloma węzłami dla ruchu produkcyjnego. Raport opisuje to jako otwarte, ale nie do uruchomienia dla większości tych, którzy to mają. Inkling-Small od Thinking Machines, na licencji Apache 2.0, jest jednym z wyjątków: jego wersja NVFP4 mieści się na pojedynczym 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; jego bieżąca tablica ma Claude Fable 5.1 na 53 przy najwyższym ustawieniu wysiłku i Kimi K3 na 44, liczby nieporównywalne z wartościami v4.1.1, które nanosiła Mozilla. Podpis na własnym wykresie Mozilli brzmi: "luka resetuje się w każdym cyklu wydawniczym".

Z K3 wiąże się też nie rozstrzygnięty zarzut. Wspólny komunikat NSA, CISA i FBI z 8 września (AA26-251A) twierdzi, że Moonshot wyciągnął dane Claude Fable 5, by trenować K3 przez destylację, czyli trenowanie jednego modelu na wynikach innego. Raport Mozilli podaje to jako "twierdzone i niepokazane". 17 lipca Artificial Analysis miał K3 na 57 wobec 60 dla Fable 5; do 1 września Mozilla miała go dwa punkty za nim.

Po co właściwie jest ta etykieta

Nic z tego nie rozstrzyga sporów o prawa autorskie. Praca A. Federa Coopera, Marka A. Lemleya i współautorów, po raz pierwszy zgłoszona do arXiv w maju 2025 roku i poprawiana do lipca 2026 roku, przetestowała 200 książek na 14 modelach z otwartymi wagami w ponad 3 000 eksperymentów. Większość LLM-ów nie zapamiętuje większości książek w całości ani częściowo, ustalili autorzy. Ale Llama 3.1 70B zapamiętuje całkowicie niektóre tytuły, w tym Harry'ego Pottera i Kamień Filozoficzny, do tego stopnia, że całą książkę można wyciągnąć niemal dosłownie z jej pierwszych słów. Wniosek pracy jest taki, że zapamiętywanie zależy od modelu i od książki, a wyniki mają istotne znaczenie dla spraw o prawa autorskie, "choć nie takie, które jednoznacznie faworyzują którąkolwiek ze stron".

To ten niezręczny środek, w którym siedzi etykieta. Otwarte wagi mówią, że model da się uruchomić i dostroić. Nie mówią, czym się żywił. Ujęcie Landaya, cytowane przez The Register, jest najczystsze: otwarte wagi odpowiadają, czy da się to uruchomić, open source odpowiada, czy można temu zaufać, ulepszyć to i budować na tym dalej. Na razie, dla niemal każdego wydania w Hubie, pierwsza odpowiedź brzmi tak, a druga wciąż jest pytaniem.