Модели с отворени и затворени тегла

Open-weight и Closed-weight модели — това са два фундаментално различни подхода към разработката и разпространението на големи езикови модели (LLM), формиращи ключова дихотомия в съвременната екосистема на изкуствения интелект. Изборът между тези подходи влияе върху техническите възможности, икономиката, сигурността и бъдещото развитие на ИИ.

Различието се крие в достъпността на обучените параметри (теглата) на модела. Open-weight моделите публикуват своите тегла, позволявайки на общността да ги използва, модифицира и разгръща локално. Closed-weight моделите, напротив, запазват теглата в тайна, предоставяйки достъп до своите възможности единствено чрез проприетарни API.

Определения и ключови различия

Модели Open-weight (с отворени тегла)

Open-weight модели — това са системи, при които обучените параметри (тегла) на невронната мрежа са публично достъпни за използване, модифициране и разпространение. Според определението на Андрей Карпати от OpenAI, такъв модел прилича на „предаване на двоичен файл на операционна система" — потребителите получават функционален продукт, но, като правило, без достъп до изходния код на обучението или обучаващите данни.

Ключови характеристики:

• Локално разгръщане: Възможност за стартиране на модела на собствено оборудване, осигуряваща пълен контрол върху данните и поверителността.
• Финна настройка (Fine-tuning): Възможност за адаптиране на модела към специфични задачи и домейни.
• Прозрачност и одит: Изследователите могат да изучават вътрешните механизми на модела за разкриване на предубеждения и уязвимости.

Модели Closed-weight (със затворени тегла)

Closed-weight модели (известни също като проприетарни) — това са системи, чиито параметри представляват търговска тайна и са достъпни само чрез API или ограничени лицензи. Компаниите разработчици, като OpenAI и Anthropic, напълно контролират архитектурата, методите за обучение и механизмите за извод. В техническия отчет на GPT-4 изрично се посочва отказ от разкриване на подробности, „предвид конкурентната среда и последствията за сигурността на широкомащабните модели".

Ключови характеристики:

• Централизиран контрол: Разработчикът управлява актуализациите, сигурността и политиките за използване.
• Лесно използване: Достъпът чрез API избавя потребителите от необходимостта да управляват сложна инфраструктура.
• Непрозрачност: Липсата на достъп до вътрешните механизми прави невъзможен независимия одит и затруднява разбирането на причините за грешни или предубедени отговори.

Разлика от Open-source

Важно е да се разграничат термините open-weight и open-source. Истинският open-source модел предполага публикуване на всички артефакти, необходими за възпроизвеждане: тегла, архитектура, код за обучение и набори от данни. Повечето съвременни „отворени" модели, като Llama от Meta, са open-weight, но не напълно open-source, тъй като техните обучаващи данни и точни методи на тренировка остават затворени.

Сравнителен анализ: производителност, разходи и иновации

Производителност и персонализация

Исторически closed-weight модели, като GPT-4, водеха на общи benchmark тестове. Въпреки това разрикът в производителността бързо намалява. Според Stanford AI Index 2025, той е намалял от 8% до 1.7% за последната година. Мощни open-weight модели, като LLaMA 3.1 405B от Meta и DeepSeek-V3, демонстрират сравними, а при някои задачи (особено в програмирането) — и превъзхождащи резултати.

Ключовото предимство на open-weight моделите се крие в дълбокото персонализиране. Възможността за дообучение върху специфични данни им позволява да превъзхождат по-големи, но универсални closed-weight модели в тесни области, като медицина или право.

Икономически аспекти

• Разходи за обучение: Създаването на frontier модели е изключително скъпо. Обучението на GPT-4 се оценява на повече от $100 млн. Open-weight модели, като DeepSeek-V3, постигат сходна производителност при разходи от $5.5 млн, демократизирайки достъпа до създаването на мощни системи.
• Разходи за използване (инференс): Closed-weight моделите се таксуват по модела pay-per-use чрез API, което може да доведе до високи разходи при големи обеми. Open-weight моделите, разгърнати локално, изискват начални инвестиции в инфраструктура, но имат значително по-ниска съвкупна стойност на притежание (TCO) при мащабиране.

Влияние върху научните изследвания и иновациите

Open-weight моделите фундаментално трансформират научните изследвания, осигурявайки възпроизводимост и демократизация на достъпа. Изследователи от цял свят могат да анализират, критикуват и подобряват отворените модели, което създава динамична екосистема и ускорява прогреса. От своя страна, затворените модели създават „криза на възпроизводимостта", тъй като заявените резултати не могат да бъдат проверени независимо.

Сигурност и етични дилеми

Въпросът за сигурността е централната дилема в дебата между откритост и контрол.

• Подход Closed-weight (Централизирано предотвратяване): Разработчици като OpenAI и Anthropic прилагат превантивен подход. Те внедряват сложни филтри за сигурност, провеждат интензивно „червено командване" (red teaming) и се придържат към строги политики, като Responsible Scaling Policy от Anthropic, поемайки ангажимент да не разгръщат модели, надвишаващи определени прагове на риск.
• Подход Open-weight (Децентрализирана устойчивост): Тази философия, сходна със света на open-source, предполага, че „много очи правят всички грешки дребни". Общността може по-бързо да открива и отстранява уязвимости. Въпреки това това създава и рискове: злонамерените лица могат също толкова лесно да изучават моделите за търсене на уязвимости или да премахват защитните механизми чрез дообучение.

Изследванията показват, че човешкото намерение, а не достъпността на модела, е основният рисков фактор. 90% от документираните случаи на злоупотреба с генеративен ИИ са свързани с експлоатация на разрешени възможности, а не с вреди, генерирани от самите системи.

Регулаторни подходи: ЕС и САЩ

• Закон на ЕС за ИИ: Приема превантивен, ориентиран към риска подход. Законът въвежда строги задължения за модели със „системен риск" (изискващи за обучение повече от 10²⁵ флопса), но предоставя ограничени изключения за open-source модели, които не носят такъв риск. Това създава стимул за прозрачност, но и регулаторна сложност.
• Подход на САЩ: Основан е на стимулиране на иновациите и управление на рисковете чрез отраслови стандарти. Изпълнителна заповед на президента Байдън 14110 и последващият доклад на NTIA препоръчват въздържане от незабавно въвеждане на ограничения за open-weight модели, предлагайки вместо това изграждане на система за мониторинг с цел вземане на решения въз основа на фактически данни.

Ключови модели и участници

Сравнителна таблица на водещите Open-weight и Closed-weight модели

Тип модел	Модел	Разработчик	Ключова особеност
Open-weight	LLaMA 3.1	Meta	Висока производителност, задала стандарт за отворените модели; голяма общност.
Mixtral 8x7B	Mistral AI	Архитектура „смес от експерти" (MoE), осигуряваща висока производителност при ниски разходи за инференс.
Closed-weight	GPT-4 / GPT-4o	OpenAI	Исторически лидер по производителност, силни мултимодални възможности.
Claude 4 Opus	Anthropic	Фокус върху сигурността и етиката (Constitutional AI), голям контекстен прозорец.

Препратки

• Stanford AI Index Report 2025 — Годишен отчет за състоянието на ИИ.
• Доклад на NTIA за модели с отворени тегла

Литература

• OpenAI et al. (2023). GPT-4 Technical Report. arXiv:2303.08774.
• Touvron, H. et al. (2023). Llama 2: Open Foundation and Fine-Tuned Chat Models. arXiv:2307.09288.
• DeepSeek-AI (2025). DeepSeek-V3 Technical Report. arXiv:2412.19437.
• Kapoor, S.; Bommasani, R. et al. (2024). On the Societal Impact of Open Foundation Models. arXiv:2403.07918.
• U.S. NTIA (2024). Dual-Use Foundation Models with Widely Available Model Weights. NTIA Report.
• Stanford HAI (2025). Artificial Intelligence Index Report 2025. Full PDF.
• Anthropic (2023). Responsible Scaling Policy. Anthropiс RSP.
• Klyman, K. et al. (2024). A Design Framework for Open-Source Foundation Model Safety. arXiv:2406.10415.
• Kembery, E.; Reed, T. (2024). AI Safety Frameworks Should Include Procedure for Model Access Decisions. arXiv:2411.10547.
• European Commission (2024). General-Purpose AI Models in the AI Act – Q&A. EU AI Act FAQ.
• Zhang, X. et al. (2025). Mitigating Cyber Risk in the Age of Open-Weight LLMs. arXiv:2505.17109.
• Biderman, S. et al. (2024). Risks and Opportunities of Open-Source Generative AI. arXiv:2405.08597.