闭源模型
只暴露推理接口给用户的AI模型，权重不公开，内部结构不可见。优势是开箱即用、性能稳定、有官方支持，代价是推理按量付费、数据经第三方、难以深度定制
核心事实
时间轴 (近 90 天)
传统上对闭源模型的审计依赖外部行为测试，无法直接检查模型内部参数。
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。
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。
闭源模型的发展模式常被比作“镀金栏杆”，拥有充足的资金、顶尖的硬件和严格的训练流程，但外部开发者和研究者只能通过有限的API接口与之交互。
开源社区通过蒸馏、微调等技术，能够在较短时间内复现闭源模型的大部分能力，而闭源模型则通过强化学习和人类反馈持续拉开在复杂推理上的差距。
闭源模型的训练数据、架构细节和评估方法通常不公开，这导致学术研究难以复现和验证，也使得偏见和安全性问题难以被外部审计。
大多数闭源模型的服务条款明确禁止逆向工程、提取模型权重或使用输出训练竞争模型。
闭源前沿模型在连笔手写轨迹恢复任务上明显优于开源模型，且该排名在 IAM-OnDB 数据集上同样成立。
在LLM环节，Reimer倾向于开源权重模型，核心理由是可控性；闭源前沿模型存在速度可能随生命周期下降、未必照顾P99延迟等结构性问题。
还有 40 条时间轴事件
全部知识事实 (20)
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GPT-4 和 Claude 是封闭模型，用户只能通过付费API调用，无法直接获取模型参数
75%已验证围绕大模型构建的周边工具，其迭代节奏往往滞后于模型本身的更新速度。
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%已验证闭源API模型可以通过服务端过滤、使用监控和速率限制来控制滥用，而开源模型无法强制执行管控
65%待验证NousResearch在LLaMA、Mistral等开源基座模型之上通过微调策略打造适配Agent工作流的模型变体
85%待验证闭源模型的安全测试往往依赖公司内部团队，外部研究者只能通过API进行有限的黑盒测试
70%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%待验证传统上对闭源模型的审计依赖外部行为测试，无法直接检查模型内部参数。
50%待验证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。
50%待验证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。
50%待验证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。
50%待验证闭源模型的训练数据、架构细节和评估方法通常不公开，这导致学术研究难以复现和验证，也使得偏见和安全性问题难以被外部审计。
50%待验证开源社区通过蒸馏、微调等技术，能够在较短时间内复现闭源模型的大部分能力，而闭源模型则通过强化学习和人类反馈持续拉开在复杂推理上的差距。
50%待验证闭源模型的发展模式常被比作“镀金栏杆”，拥有充足的资金、顶尖的硬件和严格的训练流程，但外部开发者和研究者只能通过有限的API接口与之交互。
50%待验证大多数闭源模型的服务条款明确禁止逆向工程、提取模型权重或使用输出训练竞争模型。
50%待验证闭源前沿模型在连笔手写轨迹恢复任务上明显优于开源模型，且该排名在 IAM-OnDB 数据集上同样成立。
50%待验证在LLM环节，Reimer倾向于开源权重模型，核心理由是可控性；闭源前沿模型存在速度可能随生命周期下降、未必照顾P99延迟等结构性问题。
50%待验证与通过云API调用的商业服务相比，开源模型的核心差异在于数据不出本地、可按垂直领域数据再训练、无按量计费成本；代价是需要自行承担算力部署、推理优化和后续维护。
50%