先講結論：差別在「你拿得到什麼」
大多數被稱為「開源模型」的，其實只是「開放權重」。 這兩個詞在中文報導裡幾乎被當成同義詞用，但它們交到你手上的東西差很多——而且這個差別會直接決定：你的資料要不要送出公司、你依賴的模型會不會哪天消失、以及你能不能對它的來源負責。
一句話分清三個名詞：
- 閉源：你只能透過對方的服務用它。模型本身你看不到，也拿不到。
- 開放權重（open-weight）：模型的「參數檔」可以下載、可以自己跑、通常也可以微調——但訓練資料、訓練程式碼與完整方法，多半沒有公開。
- 完全開源：連訓練資料與訓練程式碼都一起公開。實務上很少見。
這篇不談怎麼部署，只把三者的實際差別、以及一般人和小公司該怎麼判斷講清楚。還不熟 AI 基本原理的話，可以先看 生成式 AI 完全指南。
三個名詞，一次分清楚
閉源：你租的是服務，不是模型
你打開網頁或呼叫對方的 API，把問題送到廠商的伺服器，再收到一段回答。整個過程中，模型一直在對方家裡。你付的是使用權，不是所有權——多數人日常在用的主流聊天服務都屬於這一類。
開放權重：醬料罐給你，配方不給
開放權重像是拿到一瓶已經調好的醬料：你可以帶回家、可以自己加東西改味道、也可以裝進自己的菜裡端出去賣——但配方沒給你，你不知道裡面到底放了什麼。這裡的「醬料罐」就是權重檔，也就是模型訓練完成後那一大包參數；至於它用哪些資料、什麼程式碼訓練出來的，通常不會一起給。
國際上負責定義「開源」的 Open Source Initiative（OSI）特別開了一頁講這件事，明白指出開放權重模型不包含訓練程式碼與訓練資料集，只讓你看到模型的最終狀態。OSI 把它形容成一種折衷——比完全封閉好，但還不是開源。
完全開源：連配方一起公開
OSI 的開源 AI 定義（OSAID 1.0）要求三樣東西同時到位：訓練資料的完整資訊、訓練與執行用的程式碼，以及模型參數本身。門檻其實非常高——訓練資料常牽涉版權與商業機密，多數廠商不會、也不敢公開，所以完全符合這個定義的模型是少數。
結論就一句：看到「開源模型」四個字，先預設它是開放權重。 這不是誰在騙人，而是「開源」在 AI 圈已經變成一個行銷詞，不再是精確的技術規格。想看實例，可以看 Thinking Machines 推出的開放權重模型 Inkling，或是被稱為「史上最大開源模型」的 Kimi K3——後者名字裡有「開源」，實際釋出的仍然是權重。
為什麼這個差別重要
一、資料落地：權重能下載，資料就不用外傳
台灣不少企業真正在意的，其實不是模型多聰明，而是「客戶資料能不能不要離開公司」。走閉源 API，資料一定得送出去；廠商多半承諾不拿去訓練，但那是承諾，不是隔離。開放權重不一樣：權重檔在你手上，可以裝在自家機房或自己的電腦裡跑，資料從頭到尾不出門。這是開放權重最實在、也最無可取代的價值。想先弄懂把資料交給 AI 有哪些風險，可以看 把資料丟給 AI 前該知道的 5 件事。
二、可持續性：下載過的權重不會被下架
閉源模型隨時可能改版、漲價，或直接停止服務，你依賴的那個版本某天就沒了，而你沒有選擇權。開放權重不會：今天下載的那包檔案，明天還在你硬碟裡。廠商可以停止更新，但拿不回已經交出去的東西。對要做長期產品、系統上線後不能亂動的公司，這一點有時候比「模型多強」更值錢。
三、可稽核性：開放權重不等於可稽核
這是最常被誤會的一點。「開源」不會自動等於「可信任」或「沒有版權疑慮」。
你能下載、能跑、能改，但你不知道它是用什麼資料訓練出來的。訓練資料裡有沒有受版權保護的內容？有沒有偏誤？有沒有個資？你查不到——因為那部分本來就沒公開。這正是 OSI 把「訓練資料資訊」列為必要條件的原因。
所以如果你的行業需要對「這個模型是怎麼來的」負責（金融、醫療、政府標案），開放權重解決得了「資料不外傳」，卻解決不了「說得清來源」。至於 AI 產出本身的著作權怎麼算，那是另一套邏輯，可以看 AI 著作權實務 FAQ。
「能下載」不等於「能拿來做生意」
開放權重模型的授權條款，各家差很多，而且很多不是一般人以為的「隨便用」。
兩個看得到條文的例子：
- Meta 的 Llama 4 社群授權寫得很清楚：如果你的產品月活躍使用者超過 7 億，必須另外向 Meta 申請授權；使用時要在網站或產品文件上明顯標示「Built with Llama」；拿它訓練出來的新模型，名字開頭還得帶上「Llama」。
- Google 的 Gemma 附有一份禁止使用政策，明列哪些用途不准，例如生成誤導性內容、規避安全過濾機制。
重點不是「這些條款很壞」——多數公司根本碰不到 7 億月活這條線。重點是：這些條款存在，而且各家不一樣。 有些模型採用 MIT、Apache 2.0 這類寬鬆的通用開源授權，有些則附帶使用者規模上限、用途限制或標示義務。我要下的判斷是：在把某個開放權重模型放進要收錢的產品之前，授權條款是必讀，不是可讀。
一般人和小公司該怎麼判斷
不要從「哪個模型最強」開始想。先問自己一句話：我最在意的是什麼？
在意資料不外傳 → 往開放權重＋自己跑的方向看。 這是開放權重唯一無可取代的價值，其他理由都可以再商量。
在意最強能力、而且要省事 → 直接用閉源 API。 老實說，對絕大多數個人和小團隊，這仍然是最划算的選項：不用管硬體、不用管更新，模型變強你自動享受得到。
在意成本可控 → 先算實際任務量再決定。 別因為「訂閱費看起來很貴」就跳去自架，那通常是把一筆看得見的錢，換成一堆看不見的成本。
接著是一句必須講清楚的話：開放權重不是免費午餐。 權重可以免費下載，但要讓它真的在公司裡跑起來，你得自己扛：夠力而且要一直開著的硬體、部署與設定、有人維運與監控、模型更新後還要自己重跑一次驗證。這些成本不會出現在「模型免費」的宣傳裡，只會出現在你的電費、機器折舊，以及某個同事的加班單上。
所以我敢說的不建議是：如果你公司沒有一個人能固定花時間顧這台機器，就不要為了「開源」去自架開放權重模型。 省下的 API 費用，多半會用停機時間和加班還回去；等「資料不能外傳」變成硬需求的那天再做，比較實在。
最後補一個大局：這條分界早就不只是名詞遊戲，而是各國政策角力的題目——美國就有三十多家科技企業連署反對過早限制開放權重模型，規則怎麼定，會影響你未來還拿不拿得到這些權重檔。真的要再往下一步（比較各家開源 LLM、硬體需求與實際成本），可以看進階的 開源 LLM 與本地端 LLM 比較——那是另一個層次的門道了。
常見問題
開源模型可以商用嗎？
多數可以，但不是「無條件可以」。各家授權條款差很多：有的採用 MIT、Apache 2.0 這類寬鬆授權，幾乎沒有限制；有的則附帶使用者規模上限、用途禁令或標示義務，例如 Llama 的授權就要求超過一定月活躍使用者規模時另外申請、並標示「Built with Llama」。要商用，就先把那份授權從頭到尾讀一遍。
「開放權重」和「開源」一句話差在哪？
開放權重是「成品給你」，開源是「成品加配方都給你」。開放權重讓你能下載、自己跑、拿去微調；完全開源還要再公開訓練資料的完整資訊與訓練程式碼，讓別人有機會從頭複現。市面上被叫做「開源模型」的，絕大多數只做到前者。
我只是一般使用者，需要在意這個差別嗎？
日常聊天、寫文案，其實感受不到差別，用順手的就好。真正會有感的是兩種情況：一是你要處理不想外傳的資料（客戶名單、合約、病歷），二是你打算把某個模型放進要長期運作的產品或服務裡。這兩種情況下，「拿不拿得到權重」會變成關鍵決策點。
開放權重的模型比較不安全嗎？
不能一概而論，要看你比的是哪一種風險。就「資料外洩」而言，權重下載後在自己的環境裡跑，資料不出門，反而比送去別人的伺服器可控。但就「來源可稽核」而言，開放權重反而更弱——你不知道它用什麼資料訓練，也就無從確認有沒有版權或偏誤問題。安全不是一個分數，先想清楚你怕的是哪一種風險。