Open-weight và Closed-weight

Open-weight và Closed-weight — đây là hai cách tiếp cận căn bản khác nhau trong việc phát triển và phân phối các mô hình ngôn ngữ lớn (LLM), tạo thành sự phân đôi quan trọng trong hệ sinh thái trí tuệ nhân tạo hiện đại. Sự lựa chọn giữa hai cách tiếp cận này ảnh hưởng đến khả năng kỹ thuật, kinh tế, an toàn và sự phát triển trong tương lai của AI.

Sự khác biệt nằm ở khả năng tiếp cận các tham số (trọng số) đã được huấn luyện của mô hình. Mô hình Open-weight công bố trọng số của mình, cho phép cộng đồng sử dụng, chỉnh sửa và triển khai cục bộ. Ngược lại, mô hình Closed-weight giữ bí mật trọng số, chỉ cung cấp quyền truy cập vào các khả năng của mình thông qua các API độc quyền.

Định nghĩa và các khác biệt chính

Mô hình Open-weight (trọng số mở)

Mô hình Open-weight — là các hệ thống trong đó các tham số (trọng số) đã được huấn luyện của mạng nơ-ron được công khai cho phép sử dụng, chỉnh sửa và phân phối. Theo định nghĩa của Andrej Karpathy từ OpenAI, mô hình như vậy giống như "chuyển giao tệp nhị phân của hệ điều hành" — người dùng nhận được sản phẩm hoạt động đầy đủ, nhưng thường không có quyền truy cập vào mã nguồn huấn luyện hay dữ liệu huấn luyện.

Các đặc điểm chính:

• Triển khai cục bộ: Khả năng chạy mô hình trên phần cứng của riêng mình, đảm bảo toàn quyền kiểm soát dữ liệu và tính riêng tư.
• Fine-tuning (Tinh chỉnh): Khả năng thích nghi mô hình cho các nhiệm vụ và lĩnh vực cụ thể.
• Tính minh bạch và kiểm tra: Các nhà nghiên cứu có thể nghiên cứu cơ chế nội tại của mô hình để phát hiện các thiên kiến và lỗ hổng.

Mô hình Closed-weight (trọng số đóng)

Mô hình Closed-weight (còn được gọi là mô hình độc quyền) — là các hệ thống mà tham số của chúng là bí mật thương mại và chỉ có thể truy cập thông qua API hoặc các giấy phép hạn chế. Các công ty phát triển như OpenAI và Anthropic kiểm soát hoàn toàn kiến trúc, phương pháp huấn luyện và cơ chế suy luận. Báo cáo kỹ thuật GPT-4 trực tiếp nêu rõ việc từ chối tiết lộ các chi tiết, "xét đến môi trường cạnh tranh và những hệ quả về an toàn của các mô hình quy mô lớn".

Các đặc điểm chính:

• Kiểm soát tập trung: Nhà phát triển quản lý các bản cập nhật, bảo mật và chính sách sử dụng.
• Dễ sử dụng: Truy cập qua API giải phóng người dùng khỏi nhu cầu quản lý cơ sở hạ tầng phức tạp.
• Thiếu minh bạch: Không có quyền truy cập vào cơ chế nội tại khiến việc kiểm tra độc lập trở nên bất khả thi và gây khó khăn cho việc hiểu nguyên nhân của các phản hồi sai lệch hoặc thiên kiến.

Phân biệt với Open-source

Quan trọng là cần phân biệt các thuật ngữ open-weight và open-source. Một mô hình open-source thực sự đòi hỏi công bố tất cả các tài liệu cần thiết để tái tạo: trọng số, kiến trúc, mã huấn luyện và các bộ dữ liệu. Hầu hết các mô hình "mở" hiện đại, chẳng hạn như Llama của Meta, là open-weight nhưng không hoàn toàn là open-source, vì dữ liệu huấn luyện và phương pháp huấn luyện chính xác của chúng vẫn được giữ kín.

Phân tích so sánh: hiệu suất, chi phí và đổi mới

Hiệu suất và tùy biến

Về mặt lịch sử, các mô hình closed-weight như GPT-4 dẫn đầu trên các benchmark tổng quát. Tuy nhiên, khoảng cách hiệu suất đang thu hẹp nhanh chóng. Theo dữ liệu từ Stanford AI Index 2025, khoảng cách này đã giảm từ 8% xuống còn 1,7% trong năm qua. Các mô hình open-weight mạnh mẽ như LLaMA 3.1 405B của Meta và DeepSeek-V3 thể hiện kết quả tương đương, và trong một số nhiệm vụ (đặc biệt trong lập trình) — thậm chí vượt trội hơn.

Lợi thế chính của các mô hình open-weight nằm ở khả năng tùy biến sâu. Khả năng fine-tuning trên dữ liệu chuyên biệt cho phép chúng vượt qua các mô hình closed-weight lớn hơn nhưng mang tính tổng quát trong các lĩnh vực hẹp như y tế hay luật pháp.

Các khía cạnh kinh tế

• Chi phí huấn luyện: Việc tạo ra các mô hình tiên tiến (frontier) cực kỳ tốn kém. Chi phí huấn luyện GPT-4 được ước tính hơn 100 triệu USD. Các mô hình open-weight như DeepSeek-V3 đạt được hiệu suất tương tự với chi phí 5,5 triệu USD, dân chủ hóa quyền tiếp cận việc tạo ra các hệ thống mạnh mẽ.
• Chi phí sử dụng (suy luận): Các mô hình closed-weight tính phí theo mô hình pay-per-use thông qua API, có thể dẫn đến chi phí cao khi sử dụng khối lượng lớn. Các mô hình open-weight được triển khai cục bộ đòi hỏi đầu tư ban đầu vào cơ sở hạ tầng, nhưng có tổng chi phí sở hữu (TCO) thấp hơn đáng kể khi mở rộng quy mô.

Tác động đến nghiên cứu khoa học và đổi mới

Các mô hình open-weight đang biến đổi căn bản nghiên cứu khoa học, đảm bảo tính tái tạo và dân chủ hóa quyền truy cập. Các nhà nghiên cứu trên toàn thế giới có thể phân tích, phê bình và cải thiện các mô hình mở, tạo ra hệ sinh thái năng động và thúc đẩy tiến bộ. Ngược lại, các mô hình đóng tạo ra "khủng hoảng tái tạo", vì các kết quả được tuyên bố không thể được kiểm chứng một cách độc lập.

An toàn và các tình huống đạo đức

Vấn đề an toàn là tình huống khó xử trung tâm trong cuộc tranh luận giữa sự cởi mở và kiểm soát.

• Cách tiếp cận Closed-weight (Ngăn chặn tập trung): Các nhà phát triển như OpenAI và Anthropic áp dụng cách tiếp cận phòng ngừa. Họ triển khai các bộ lọc an toàn phức tạp, tiến hành "red teaming" chuyên sâu và tuân thủ các chính sách nghiêm ngặt như Responsible Scaling Policy của Anthropic, cam kết không triển khai các mô hình vượt quá các ngưỡng rủi ro nhất định.
• Cách tiếp cận Open-weight (Khả năng chịu đựng phi tập trung): Triết lý này, tương tự với thế giới open-source, cho rằng "nhiều mắt sẽ làm cho tất cả lỗi trở nên nhỏ bé". Cộng đồng có thể tìm và sửa các lỗ hổng nhanh hơn. Tuy nhiên, điều này cũng tạo ra rủi ro: các tác nhân xấu có thể dễ dàng nghiên cứu các mô hình để tìm lỗ hổng hoặc xóa các cơ chế bảo vệ thông qua fine-tuning.

Nghiên cứu cho thấy ý định của con người, chứ không phải khả năng tiếp cận mô hình, là yếu tố rủi ro chính. 90% các trường hợp lạm dụng AI tạo sinh được ghi nhận có liên quan đến việc khai thác các khả năng được phép, chứ không phải tác hại do bản thân các hệ thống tạo ra.

Các cách tiếp cận quản lý: EU và Hoa Kỳ

• Luật AI của EU: Áp dụng cách tiếp cận phòng ngừa, định hướng rủi ro. Luật đặt ra các nghĩa vụ nghiêm ngặt đối với các mô hình có "rủi ro hệ thống" (đòi hỏi hơn 10²⁵ flops để huấn luyện), nhưng cung cấp các miễn trừ hạn chế cho các mô hình open-source không mang rủi ro như vậy. Điều này tạo ra động lực cho sự minh bạch, nhưng cũng tạo ra sự phức tạp về mặt quản lý.
• Cách tiếp cận của Hoa Kỳ: Dựa trên việc khuyến khích đổi mới và quản lý rủi ro thông qua các tiêu chuẩn ngành. Sắc lệnh Hành pháp 14110 của Tổng thống Biden và báo cáo tiếp theo của NTIA khuyến nghị tránh đưa ra các hạn chế ngay lập tức đối với các mô hình open-weight, thay vào đó đề xuất xây dựng hệ thống giám sát để đưa ra quyết định dựa trên dữ liệu thực tế.

Các mô hình và nhân vật chính

Bảng so sánh các mô hình Open-weight và Closed-weight hàng đầu

Loại mô hình	Mô hình	Nhà phát triển	Đặc điểm nổi bật
Open-weight	LLaMA 3.1	Meta	Hiệu suất cao, đặt tiêu chuẩn cho các mô hình mở; cộng đồng lớn.
	Mixtral 8x7B	Mistral AI	Kiến trúc "hỗn hợp chuyên gia" (MoE), đảm bảo hiệu suất cao với chi phí suy luận thấp.
Closed-weight	GPT-4 / GPT-4o	OpenAI	Dẫn đầu lịch sử về hiệu suất, khả năng đa phương thức mạnh mẽ.
	Claude 4 Opus	Anthropic	Tập trung vào an toàn và đạo đức (Constitutional AI), cửa sổ ngữ cảnh lớn.

Tham khảo

• Stanford AI Index Report 2025 — Báo cáo thường niên về tình trạng AI.
• Báo cáo NTIA về các mô hình trọng số mở

Tài liệu

• 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.