权重是什么 · 真开源与假开源 · 开源是一门生意 · 解读与音频稿件

本集对应模块 T5（开源、蒸馏与本地部署）的三节课：「权重是什么？一个模型的全部本事」「真开源 vs 假开源：怎么看懂一张许可证」「开源是一门生意：各家在图什么」。

来源：xueai.miyang.cn（小山学堂 · 洛小山《学 AI 产品，从入门到精通》）

本集要解决什么

新闻里天天说「某某模型开源了」，但开源的到底是什么？是代码吗？其实主要是一个文件——权重。搞清楚它是什么，后面所有关于开源的争论你都能自己判断。

本集三段：权重本身（长什么样、多大、为什么拥有权重就是拥有控制权）→ 怎么看懂一张许可证（三个问题定位开放程度）→ 商业逻辑（各家为什么要开源）。

本章例子多取自 Qwen，但选它是因为素材齐、尺寸铺得最全，不是因为它最好。要拿到的是判断标准，不是品牌名。

能力地图

能力	落点	一句话
权重本质	训练产物	一堆数字，训练结束即冻结
体积估算	参数量(B) × 2	FP16 下每参数 2 字节
运行时占用	参数量 + 30%~50%	额外开销来自 KV Cache
控制权三要素	离线 / 可改 / 留痕	拥有权重 = 拥有控制权
开放度三问	可下载 / 可商用 / 可训练	问完即定位
三档归档	无附加 / 自定义条款 / 仅 API	选型直接套用
生态衡量	衍生模型数量	比下载量更诚实
策略规律	模型在收入结构中的位置	是商品→闭源；是互补品→开源

逻辑拆解

一、权重就是一堆数字

模型内部没有规则、没有知识库、没有 if-else，有的只是一个巨大的数字表格。每个数就是一个权重。训练的全部意义，就是把这几十亿个数从随机值一点点调整到合适的值。 调完参数冻结，模型定型。

这也解释了：模型跟你聊天时不会学到任何东西。权重是训练阶段定死的，对话阶段只读不写。所谓上下文是临时摆在旁边的工作区，不是写进权重的记忆。

佐证：DeepSeek-R1 放出的蒸馏版里多数用 Qwen 底座——这是第三方选择，不是自家宣传。

二、参数量决定体积

FP16 下每个数占 2 字节，所以：

权重文件体积（GB）≈ 参数量（B）× 2

型号	FP16 体积
Qwen3-0.6B	约 1.2 GB
Qwen3-8B	约 16 GB
Qwen3-32B	约 64 GB
Qwen3-235B-A22B	约 470 GB
Qwen3.8-Max（2.4 万亿参数）	数 TB 量级

提示1 · 看文件大小估显存，会低估

存储体积和运行时占用是两码事。 运行时还要额外开销一块地方存放对话的中间状态，也就是 KV Cache，通常要在参数量基础上多留三到五成。下单一块显卡算着能装下、跑起来爆显存，差的就是这块。

三、拥有权重 = 拥有控制权

维度	含义	反面对照
离线	拔网线也能跑，涨价/限流/下架影响不到	只给 API 则受制于人
可改	可继续训练，微调专属版本	调 API 永远做不到
留痕	数据不出自己的机器	医疗/法务/内部代码的唯一路径

只提供 API 的模型，你租的是使用权。价格、可用性、下线时间全由对方决定——这在技术选型时会直接变成风险。

四、三个问题定位开放程度

不用读完整份许可证，按顺序问：

1. 权重文件能下载吗？ — 不能下载，后面所有事都免谈，这一问筛掉一大半；
2. 能商用吗？有没有附加门槛？ — 最易踩坑：有的加用户规模上限，有的限定研究用途；
3. 能用它的输出训练新模型吗？ — 即能否蒸馏，各家分歧最大。

五、同一把尺子量五家

	许可证	下载权重	商用	训练新模型
Qwen3 全系	Apache 2.0	可	可，无用户量限制	可
Mistral 7B	Apache 2.0	可	可，无限制	可
DeepSeek-R1	MIT License	可	可，无需申请	可，官方明确允许蒸馏
Llama 3	Llama 3 Community License	可	限月活超 7 亿需单独授权	可
GPT-4 / Claude / Gemini Ultra	无公开权重许可	否	否	否

三档归档：

• 第一档 · 权重开放且无附加条件（Apache 2.0、MIT）：下载、修改、商用、再分发、拿去训练都不需额外打招呼，法务最省事。代表：Qwen3 全系、Mistral 7B、DeepSeek-R1。
• 第二档 · 权重开放但附带自定义条款：技术上完全可用，商业上要先算清楚会不会撞红线。代表：Llama 3 系列。
• 第三档 · 只提供 API：没有本地部署、私有化和继续训练这些选项。

提示2 · 选型看具体版本的许可证，不看公司整体印象

许可证会变。 Qwen 在 2.5 那一代用分级许可：多数尺寸走 Apache 2.0，但 3B 采用 Qwen Research 许可、72B 采用 Qwen 许可；到 Qwen3 才统一成全系 Apache 2.0。同一系列内不同尺寸可能不一致。

六、一个必须说清楚的事实

上面五家，训练数据全都没有公开。

按传统软件的开源标准，源代码等价物应该是训练数据加训练代码，光给编译产物不算开源。大模型领域说的「开源」实际指权重开放——这是一个被行业默认接受的降级定义。你拿到的不是配方，是做好的菜。

自查清单（四条）

1. 去官方仓库找许可证文件本身，不看新闻稿和宣传页；
2. 确认你要用的那个具体尺寸的许可证，同一系列内可能不一致；
3. 自定义许可证重点找用户规模、使用场景、地域三类限制；
4. 确认能否用于训练，这决定了微调和蒸馏的空间。

七、六家六种算盘

厂商	策略	商业逻辑
Meta	权重开放	主营社交广告，把模型做成免费通用品 = 抽掉对手定价基础（补充品商品化）
Google	部分开源	小模型换开发者，旗舰闭源走 API 与云服务，两条腿走路
Mistral	真开源	Apache 2.0 建声誉，收入来自企业定制与私有化部署，靠服务不靠锁客
阿里 · Qwen	全系开源	开源建事实标准，算力需求回到云上，模型免费、算力收费
DeepSeek	MIT 开源	最宽松许可 + 明确允许蒸馏，以极低市场费用换全球技术声誉
OpenAI	完全闭源	最强能力即护城河，开源等于填平护城河

规律：一家公司开不开源，看的是模型在它的收入结构里处于什么位置。模型本身是商品的，倾向闭源；模型是获客入口或者互补品的，倾向开源。

提示3 · 用衍生模型数量衡量生态，别用下载量

下载量容易刷，榜单排名换个测法就变。衍生模型数量造不了假，因为每个衍生模型背后都是一次真实的算力投入。它本质上是一份长期的用户选择记录——开发者选底座考虑的是许可证是否干净、尺寸是否齐全、社区工具链是否现成。

参考数据（Hugging Face 平台统计，Qwen 系列，2026-01-21）：衍生模型 20 万（全球首个达该量级的开源模型系列）、累计下载 10 亿次（日均约 110 万）、累计开源模型近 400 个。对照：衍生模型数 2025 年 2 月约 9 万，2025 年内突破 10 万。

八、练手案例 · 宣布要开源 ≠ 已经开源

Qwen3.8-Max 于 2026-08-03 发布，总参数 2.4 万亿、激活 950 亿，API 已可用，官方表示权重将开源。但截至核对日（2026-08-07）权重尚未放出，许可证未公布。

它现在填不进三档表的任何一档——判断需要的两个信息都缺。权重没放出来之前，谁也不知道会配什么样的许可证。

另需提醒：2.4 万亿参数权重文件是数 TB 量级。「权重开放」和「你跑得动」是两件事。

为什么本章以千问为例（三条理由）

选它不是因为它最好，而是因为素材齐、方便动手：

1. 尺寸铺得最全 — 官方库里从 0.8B 一直排到 122B，中间有 2B、4B、9B、27B、35B。每讲到一档设备都能对应上一个真能下载下来的文件，不用换品牌凑数；
2. 别人拿它当底座 — DeepSeek-R1 放出的六个蒸馏版里有四个用 Qwen 底座，这是第三方选择，不是自家宣传；
3. 它自己就是反面教材 — Qwen2.5 时期的 3B 和 72B 用过非标准许可证，正好拿来讲「开源」这两个字有多不可靠。一个系列内部都能出现两套规则，厂商宣传语的精确度可想而知。

中文社区里有人管它叫「源神」（开源之神）。这是网友的戏称，不是评价标准，也不代表它每一项都最强。学完这一章要拿到的是判断标准，不是一个品牌名——同一套标准套到任何一家身上都应该照样能用。

课堂练习 · 把规律套到你自己公司

问一句：你的公司靠什么赚钱？ 然后看模型在你的收入结构里处在哪个位置。

• 如果模型就是你卖的东西 → 开源等于把货白送，倾向闭源；
• 如果模型只是让客户更容易买你别的产品的东西 → 互补品越便宜主业越值钱，倾向开源。

这个推演的好处是它不依赖任何行业知识，只要你知道公司怎么赚钱，就能推出大致方向。

常见误区速查

误区	实际情况
「开源」= 训练数据也公开	实际指权重开放，是降级定义。五家训练数据均未公开
文件 16 GB 就是 16 GB 显存	运行时还要留 30%~50% 给 KV Cache
这家公司开源，所以它全系都开源	同一系列不同尺寸可能不同许可（如 Qwen2.5 的 3B/72B）
官方宣布要开源 = 可以选型了	权重未落地、许可证未公布前无法归档
下载量高 = 生态好	下载量可刷，衍生模型数量才是真实投入的记录
模型开源了 = 我能部署	数 TB 量级权重与可部署是两件事

给做选型的人 · 三步

1. 先看许可证 — 确认能不能用、有没有门槛；
2. 再看商业逻辑 — 判断这家会不会持续开源。靠模型直接赚钱的公司策略随时可能收紧；开源是获客手段的公司通常更稳定；
3. 最后看生态厚度 — 衍生模型多、社区工具全，意味着遇到问题能搜到答案，出了 bug 有人已经踩过。

生态集中的代价：当二十万个衍生模型都长在少数几个底座上，它们会一起继承同一套偏见、同一种表达习惯，甚至同一批错误。

审查清单

1. 有没有确认目标模型的具体尺寸的许可证，而非系列整体印象？
2. 许可证有没有用户规模上限（如月活阈值）？
3. 有没有确认能否蒸馏/用于训练——这决定后续微调空间？
4. 显存估算有没有在参数量基础上多留 30%~50% 给 KV Cache？
5. 有没有把「宣布要开源」误当作「已经开源」？
6. 评估的是许可证原文还是新闻稿？
7. 生态评估用的是衍生模型数量还是下载量？

约束说明

• 体积估算约束：参数量 × 2 是 FP16 下的理论估算，实际文件因分片方式与附带配置文件略有出入。
• 显存约束：「多留三到五成」是经验值，实际占用还受 batch size、上下文长度、推理框架影响，长上下文场景下 KV Cache 占比会更高。
• 降级定义约束：大模型领域的「开源」指权重开放，不等于训练数据开放。与法务沟通时必须说清，否则双方理解的可能不是一回事。
• 许可证时效性约束：所有许可证结论依据各厂商官方原文，核对日期 2026-08-07。许可证会变，选型时以你要用的具体版本为准。
• 未落地案例约束：Qwen3.8-Max 截至核对日权重未放出、许可证未公布，本页结论为「无法归档」，不代表其最终开放程度。
• 数据来源约束：20 万衍生模型 / 10 亿下载 / 近 400 个模型为 Hugging Face 平台统计（2026-01-21），经多家财经媒体报道；衍生模型数在 2025 年 2 月约 9 万。数据会随时间增长，引用时视为量级参考。
• 举例品牌约束：本章以 Qwen 举例是因素材齐、尺寸谱系完整，不构成「它最好」的评价。同一套标准应能套用到任何一家。
• 取材约束：本集只使用本集素材内资料，不跨集引用，不虚构源文档未出现的数据、案例与引文。

可带走的设计原则

1. 先看许可证，找官方仓库原文，确认具体尺寸，不看新闻稿。
2. 再看商业逻辑——模型在收入结构中的位置决定开源策略的稳定性。
3. 用衍生模型数量衡量生态，比下载量诚实。
4. 把「宣布要开源」和「已经开源」分开；把「权重开放」和「你跑得动」分开。
5. 记住这是降级定义——权重开放 ≠ 训练数据开放。
6. 警惕生态集中：衍生模型集中在少数底座，会共同继承同一套偏见与错误。

---

音频与稿件

• 音频：oss01-播客.mp3
• 字幕：oss01-播客.srt
• 口播稿：script.txt
• 集页：https://xueai-podcast.pages.dev/t/oss01/

本内容改编自小山学堂《学 AI 产品，从入门到精通》，为二次演绎配音版。

来源：xueai.miyang.cn（小山学堂 · 洛小山）