开源模型
指模型权重公开可获取、允许本地部署和二次开发的大语言模型，代表性项目包括LLaMA、Qwen、DeepSeek等，优势在于数据隐私可控、可离线运行，但在复杂推理和长上下文理解上通常不及顶级闭源模型
核心事实
时间轴 (近 90 天)
在检索任务中，当上下文用中性填充文本扩展时，五个开源模型（参数0.5B到3B）的检索准确率几乎不受影响，保持在0.97到1.00之间。
开源模型如今可以完成约九成的智能体（agentic）任务，而成本仅为闭源方案的二十分之一。
闭源API按token计费，智能体任务往往需要多轮往返，token消耗成倍放大；而开源模型可以自托管或通过低价推理服务调用，边际成本显著降低。
开源模型与闭源前沿模型的分野通常体现在三个层面：权重是否公开、许可证是否允许商用与再分发、以及训练数据与方法的透明度。
相比闭源模型只能通过提示词和少量示例引导，开源模型的微调能直接改变参数，因此在格式严格、术语密集的任务上往往表现更稳定。
Deploy大会的目标被表述为“用开源模型战胜闭源前沿模型”（beat a closed frontier model with open models）。
Fireworks这类推理平台的价值在于让团队无需自建推理基础设施，即可把开源模型投入生产。
Theta将AI模型生态描述为‘前沿+降级+开源+专用’的分层共存格局。
Anthropic的S-1风险因素部分提到，开源模型可能对定价形成压力，专用模型也可能在特定工作负载上胜出。
Anthropic 的 S1 风险因素部分提示了两类压力：开源模型可能压低价格，专用模型可能在特定工作负载上胜出。
还有 40 条时间轴事件
全部知识事实 (20)
开放权重（open weights）区别于完全开源（open source），前者公开模型参数但不一定公开训练数据和完整训练代码
90%已验证开源模型通常指模型权重可公开下载、允许自由使用和修改的AI模型，与仅通过API调用的闭源模型相对。
80%已验证对于调用量大的应用，自建部署开源模型的总成本往往显著低于使用商业API
80%已验证开放权重模型指参数权重文件向公众开放下载，可本地部署微调，但训练数据和完整源码不一定公开，区别于完全开源
80%已验证开源方案因能自主接入模型、无供应商锁定、以宽松开源协议发布，在收购事件中具备更强抗风险属性
80%已验证开源模型通常指权重公开、允许自由下载、修改和再分发的预训练大语言模型，如 Llama、Mistral、Qwen 等系列。
80%已验证开放权重模型是指公开发布模型参数权重、允许用户自行下载部署的模型，如Meta的Llama系列、Mistral
75%已验证运行开源模型需要承担GPU购买或云实例租用成本，并需自行维护更新、扩容、监控和安全
70%已验证'开源权重'与'完全开源'并不等同，前者仅公开模型参数文件，训练数据、完整训练代码及某些商业使用权利未必一并开放
70%已验证当前多数所谓‘开源模型’实际上只开放权重，训练细节仍属商业机密。
65%已验证开源模型在部分复杂推理和长上下文任务上与头部闭源模型仍存在差距
65%已验证开源模型作为底座的价值在于可审计性，监管机构或企业安全团队可以检查模型权重、训练数据来源及推理逻辑
65%已验证开源模型能力正在快速逼近闭源模型的水平，价格战持续压缩利润空间
65%已验证开源权重与完全开源存在区别，按照开源倡议组织（OSI）的定义，真正的开源需要包含训练数据集、预处理脚本、超参数配置、训练日志等完整可复现信息
65%已验证模型权重是神经网络经过训练后存储的参数数值，公开权重意味着任何人可以在本地运行、微调和深度审计模型
65%已验证开放权重策略意味着模型参数可免费下载使用，但训练数据与完整训练流程通常不公开，已成为Meta Llama、Mistral等公司的主流选择
65%已验证开放权重模型仅发布训练完成的模型参数文件，而严格意义的开源AI要求公开训练代码、数据集与完整复现流程
65%待验证大量开源模型的训练数据截止时间停留在2023年甚至更早
70%待验证开源模型的能力通常落后于最新的商业闭源模型
60%待验证开源模型过去在性能上通常落后闭源模型6到18个月
60%