Otwarte wagi to nie open source, a różnicę coraz trudniej zmierzyć
Raport Mozilli twierdzi, że najlepsze chińskie modele z otwartymi wagami odstają od oferty amerykańskiego frontu o około cztery miesiące. Krytycy przekonują, że termin „otwarte wagi” jest rozciągany daleko poza definicję Open Source Initiative.

Raport Mozilli „State of Open Source AI” w wersji 1.1 ukazał się 15 września i opiera się na danych aktualnych na 1 września. Autorzy doliczyli się 16 godnych uwagi otwartych wydań. Żadne z nich nie udostępnia przepisu na dane treningowe, którego wymaga Open Source AI Definition Open Source Initiative, czytamy w raporcie opisanym przez Tom's Hardware.
To napięcie ciągnie się pod tegoroczną falą doniesień o otwartych wagach. Pobranie modelu jest łatwe. Ustalenie, co do niego weszło, albo odtworzenie go, już nie.
Liczba czterech miesięcy i jej zastrzeżenia
Główna teza Mozilli mówi o zwężającej się luce. Najlepszy otwarty model tracił do zamkniętego lidera trzy punkty w Artificial Analysis Intelligence Index, przy 60% ceny, a do Claude Fable 5 miał dwa punkty straty przy 30%. Dopasowanie Mozilli do danych METR o horyzoncie zadań daje lukę otwarte-zamknięte na poziomie około 4,4 miesiąca, zgodnie z czteromiesięcznym szacunkiem Epoch AI. Według obliczeń Mozilli możliwości modeli otwartych podwajają się co 3,9 miesiąca, a zamkniętych co 5,5.
Raport opiera się na badaniu Mozilla/SlashData na około 1 400 deweloperach, danych o ruchu z OpenRouter i zewnętrznych indeksach benchmarków. Mozilla lobbuje za modelami otwartymi, a TIME podał 14 lipca, że Raffi Krikorian, dyrektor techniczny Mozilli, określił raport jako częściowo rzeczniczy. Mozilla twierdzi, że liczba czterech miesięcy i cena 30% za token są mierzone API do API na hostowanych endpointach i według ceny katalogowej.
Gorzej robi się przy sprzęcie. Własny wykres raportu stawia najlepszy otwarty model mieszczący się na jednym serwerze na 52,6, a najlepszy mieszczący się na jednej karcie GPU na 40. Spadek od szczytu wynosi odpowiednio 10 i 23 punkty, czyli więcej, niż sugerują cztery miesiące. Rodzimy checkpoint MXFP4 modelu Kimi K3 zajmuje około 1,56 TB w 96 shardach, a konfiguracja serwowania Mozilli wymienia 64 lub więcej akceleratorów. Raport nazywa to otwartym, ale nie do uruchomienia dla większości tych, którzy go mają.
Jest kontrprzykład. Inkling-Small od Thinking Machines, na licencji Apache 2.0, ma wersję NVFP4, która mieści się na jednej B300 przy pułapie 180 GB.
Co ma znaczyć słowo „otwarty”
Steven J. Vaughan-Nichols z The Register przekonywał 15 września, że branża nadużywa tego słowa. Publikowanie wag na Hugging Face i pozwalanie deweloperom uruchamiać ich na własnych GPU to, jak pisał, dystrybucja otwartych wag, nie open source. Ta różnica, twierdził, decyduje o tym, czy można jedynie wdrożyć gotową sieć, czy też zbadać, odtworzyć, zmienić i redystrybuować system, który ją wytworzył.
OSI stawia sprawę wprost: „Open Weights refer to the final weights and biases of a trained neural network”. Same wagi, dodaje OSI, odsłaniają tylko „a fraction of the information required for full accountability”.
James Landay, dyrektor Stanford Institute for Human-Centered AI, powiedział The Register: „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 trenowano ani dlaczego zachowuje się tak, jak się zachowuje. To nie jest otwarty model. To otwarta dystrybucja”.
Zastrzeżenie Landaya jest konkretne: bez danych treningowych lub szczegółowej dokumentacji osoby z zewnątrz nie ustalą, z jakich źródeł korzystano, jaki materiał chroniony prawem autorskim lub prywatny mógł się w nich znaleźć, jak dane wybierano i usuwano, których języków było za mało, czy dane z benchmarków wyciekły do treningu ani jakie metody alignmentu kształtowały model po pretreningu.
Open Source AI Definition 1.0, opublikowana w październiku 2024, wymaga udostępnienia parametrów modelu, w tym wag, na warunkach zatwierdzonych przez OSI, ale nie wskazuje mechanizmu prawnego. Luca Antiga, dyrektor techniczny Lightning AI, mówił, że takie ujęcie zostawia „dziurę”, która osłabi licencje jako sygnał faktycznej przydatności do wdrożenia. Bruce Perens, autor pierwotnej Open Source Definition, potępił OSAID w 2024, a później stwierdził, że samo OSI uczestniczy teraz w openwashingu. Bradley Kuhn z Software Freedom Conservancy i Richard Fontana z Red Hata wzywali do uchylenia OSAID.
Pod tym wszystkim leżą praktyczne pytania o zapamiętywanie. Praca A. Feder Cooper, Marka A. Lemleya i współautorów, złożona do arXiv w maju 2025 i poprawiana do lipca 2026, objęła ponad 3 000 eksperymentów na 200 książkach i 14 modelach LLM z otwartymi wagami. Większość LLM-ów nie zapamiętała większości książek, stwierdzili autorzy. Ale Llama 3.1 70B zapamiętała w całości niektóre tytuły, w tym Harry'ego Pottera i Kamień Filozoficzny, do tego stopnia, że całą książkę można było wyciągnąć niemal dosłownie z jej pierwszych słów.
Tymczasem ekosystem otwartych wag wciąż wydaje nowe modele. Superwhisper opublikował S1-mini, normalizator tekstu dla wyjścia rozpoznawania mowy o 0,6 mld parametrów, dostrojony z Qwen/Qwen3-0.6B na Apache 2.0 plus klauzula o nazwie. Firma podaje 94,8% dokładności tokenów na 7 519 odłożonych przypadkach w języku angielskim i skwantyzowaną wersję o rozmiarze 462 MiB, która działa na procesorze laptopa.
Mały, do pobrania i udokumentowany na tyle, by go uruchomić. Pytanie o odpowiedzialność to osobny plik.
Źródła
4- 01China's open-weight AI models are now just 4 months behind frontier US offerings, Mozilla report claimsEN
- 02Open weights are not open source: Why AI's favorite label is under disputeEN
- 03Extracting memorized pieces of (copyrighted) books from open-weight language modelsEN
- 04S1-mini, Superwhisper's first open-weights language modelEN
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.