Open Weight, Open Source и Закрытые ИИ

Разница между тремя типами нейросетей — в том, что именно разработчик публикует. У закрытых моделей (Closed) доступен только API или веб-интерфейс. У моделей с открытыми весами (Open-weight) можно скачать готовые параметры и запустить их у себя. У Open Source AI открыты ещё и код обучения вместе с информацией о данных. Многие компании называют свои модели «открытыми», хотя раскрывают лишь часть компонентов.

Три уровня открытости

Нейросеть состоит из весов (параметров), архитектуры и кода, а также обучающих данных (датасетов). Тип модели зависит от того, что опубликовано:

Компонент / возможность	Closed (закрытые)	Open-weight (открытые веса)	Open Source (полностью открытые)
Веса (параметры) доступны	Нет	Да	Да
Архитектура и код обучения открыты	Нет	Частично или нет	Да
Обучающие данные раскрыты	Нет	Нет	Да (данные или подробная информация о них)
Можно запустить на своём сервере	Нет	Да	Да
Можно воспроизвести процесс обучения	Нет	Нет	Да

Closed Models (закрытые проприетарные модели)

Это коммерческие продукты «в чёрном ящике»: доступ только через платный API или веб-интерфейс. Веса, внутренняя структура и обучающие данные остаются коммерческой тайной.

Примеры: семейства GPT-4 и GPT-5 от OpenAI, Claude от Anthropic, Gemini от Google. Часто именно они являются передовыми фронтирными моделями.
Плюсы: максимальное качество и логика (reasoning) «из коробки», не нужно поддерживать собственную инфраструктуру и GPU-серверы.
Минусы: зависимость от вендора (vendor lock-in), риски передачи чувствительных данных через сторонний API, провайдер может изменить поведение модели или заблокировать аккаунт.

Open-weight (открытые веса)

В моделях с открытыми весами разработчик публикует файлы с параметрами нейросети. Их можно скачать, запустить на своих видеокартах или дообучить под узкую задачу. Данные, на которых училась модель, обычно остаются закрытыми — из-за авторского права или из соображений конкуренции.

Примеры: Llama 3 и Llama 4 (Meta), Qwen (Alibaba), Mistral, DeepSeek, gpt-oss (OpenAI), Gemma 4 (Google). В нашем каталоге LLM мы помечаем их тегом «Открытые веса».
Плюсы: нет платы за токены API (оплачивается только железо), возможность глубокого дообучения (fine-tuning, LoRA), контроль над данными: модель работает в вашем контуре.
Минусы: неизвестно, какие данные использовались при обучении, поэтому нельзя проверить модель на скрытые смещения. Кроме того, лицензия может ограничивать использование: например, по Llama 4 Community License компании с аудиторией более 700 млн активных пользователей в месяц должны отдельно запрашивать лицензию у Meta.

Лицензии популярных открытых моделей

Модель	Лицензия	Что важно знать
gpt-oss (OpenAI)	Apache 2.0	Свободное коммерческое использование
Gemma 4 (Google)	Apache 2.0	Свободное коммерческое использование; условия API Google применяются отдельно
Mistral (последние линейки)	Apache 2.0	Лицензия зависит от конкретной модели
Qwen 3	Apache 2.0	У других версий Qwen могут быть иные условия
Llama 4 (Meta)	Llama 4 Community License	Если у продукта более 700 млн активных пользователей в месяц, нужна отдельная лицензия Meta

Перед коммерческим запуском читайте лицензию конкретной версии модели: условия меняются от релиза к релизу.

Истинный Open Source AI

Open Source нейросети дают максимальную прозрачность. По определению Open Source AI Definition 1.0 от OSI вы получаете не только веса, но и код обучения и подробную информацию о данных, на которых модель обучалась.

Примеры: OLMo от Allen Institute for AI (у Olmo 3 открыты веса, код, контрольные точки и датасеты под лицензией Apache 2.0), Pythia.
Плюсы: можно изучить устройство модели целиком, проверить данные на смещения и защищённый авторским правом контент, нет хитрых коммерческих лицензий.
Минусы: создание и очистка полностью открытых датасетов дорого стоит, поэтому такие модели, как правило, уступают лучшим Closed и Open-weight моделям по качеству и размеру.

Что нужно для запуска локально

Главный ограничитель — видеопамять (VRAM). Грубая оценка: число параметров умножить на размер одного параметра. В 16-битном виде это около 2 байт на параметр, при 4-битном квантовании — около 0,5 байта плюс запас на контекст. Модель на 8 млрд параметров в 4-битном виде занимает порядка 4–5 ГБ и запускается на обычной видеокарте. Для моделей на 70 млрд параметров и больше нужны карты с большим объёмом памяти или несколько GPU. Обращение к закрытым моделям не требует своего железа, но оплачивается за токены.

Что выбрать

Для большинства бизнесов золотая середина — Open-weight модели: их можно развернуть на локальном сервере, они обеспечивают приватность и экономят на токенах API. Закрытые модели остаются выбором, когда нужно максимальное качество без своей инфраструктуры. Open Source AI подходит там, где важна полная воспроизводимость, например в науке и аудите данных.

Вопросы и ответы

Llama выходит под собственной лицензией Meta: по ней компании с аудиторией более 700 млн активных пользователей в месяц должны запрашивать отдельную лицензию. Данные для обучения не раскрываются, поэтому по определению OSI это модель с открытыми весами, а не Open Source AI.

У Open-weight опубликованы только веса, а у Open Source AI ещё и код обучения и подробная информация о данных, поэтому обучение можно воспроизвести.

Некоторые провайдеры, например OpenAI, предлагают дообучение через API, но возможности ограничены их инструментами, а файлы весов после дообучения вы не получаете. С Open-weight моделями дообучение выполняется на своих серверах.

У gpt-oss и Gemma 4 лицензия Apache 2.0, которая разрешает коммерческое использование.

Главное ограничение — видеопамять. Модель на 8 млрд параметров в 4-битном виде занимает порядка 4–5 ГБ, а модели от 70 млрд параметров требуют карт с большим объёмом памяти или нескольких GPU.