Open-weight и Closed-weight модели

Open-weight и Closed-weight модели — это два фундаментально различных подхода к разработке и распространению больших языковых моделей (LLM), формирующие ключевую дихотомию в современной экосистеме искусственного интеллекта. Выбор между этими подходами влияет на технические возможности, экономику, безопасность и будущее развитие ИИ.

Различие заключается в доступности обученных параметров (весов) модели. Open-weight модели публикуют свои веса, позволяя сообществу их использовать, модифицировать и развертывать локально. Closed-weight модели, напротив, сохраняют веса в секрете, предоставляя доступ к своим возможностям исключительно через проприетарные API.

Определения и ключевые различия

Модели Open-weight (с открытыми весами)

Open-weight модели — это системы, в которых обученные параметры (веса) нейронной сети публично доступны для использования, модификации и распространения. По определению Андрея Карпати из OpenAI, такая модель подобна "передаче бинарного файла операционной системы" — пользователи получают функциональный продукт, но, как правило, без доступа к исходному коду обучения или обучающим данным.

Ключевые характеристики:

• Локальное развертывание: Возможность запускать модель на собственном оборудовании, обеспечивая полный контроль над данными и конфиденциальность.
• Тонкая настройка (Fine-tuning): Возможность адаптировать модель под специфические задачи и домены.
• Прозрачность и аудит: Исследователи могут изучать внутренние механизмы модели для выявления предвзятостей и уязвимостей.

Модели Closed-weight (с закрытыми весами)

Closed-weight модели (также известные как проприетарные) — это системы, параметры которых являются коммерческой тайной и доступны только через API или ограниченные лицензии. Компании-разработчики, такие как OpenAI и Anthropic, полностью контролируют архитектуру, методы обучения и механизмы вывода. В техническом отчете GPT-4 прямо указывается на отказ от раскрытия деталей, "учитывая конкурентную среду и последствия для безопасности крупномасштабных моделей".

Ключевые характеристики:

• Централизованный контроль: Разработчик управляет обновлениями, безопасностью и политиками использования.
• Простота использования: Доступ через API избавляет пользователей от необходимости управлять сложной инфраструктурой.
• Непрозрачность: Отсутствие доступа к внутренним механизмам делает невозможным независимый аудит и затрудняет понимание причин ошибочных или предвзятых ответов.

Отличие от Open-source

Важно различать термины open-weight и open-source. Настоящая open-source модель предполагает публикацию всех артефактов, необходимых для воспроизведения: весов, архитектуры, кода обучения и наборов данных. Большинство современных «открытых» моделей, таких как Llama от Meta, являются open-weight, но не полностью open-source, поскольку их обучающие данные и точные методы тренировки остаются закрытыми.

Сравнительный анализ: производительность, стоимость и инновации

Производительность и кастомизация

Исторически closed-weight модели, такие как GPT-4, лидировали на общих бенчмарках. Однако разрыв в производительности стремительно сокращается. По данным Stanford AI Index 2025, он сократился с 8% до 1.7% за последний год. Мощные open-weight модели, такие как LLaMA 3.1 405B от Meta и DeepSeek-V3, демонстрируют сопоставимые, а на некоторых задачах (особенно в программировании) — и превосходящие результаты.

Ключевое преимущество open-weight моделей заключается в глубокой кастомизации. Возможность дообучения на специфических данных позволяет им превосходить более крупные, но универсальные closed-weight модели в узких областях, таких как медицина или юриспруденция.

Экономические аспекты

• Стоимость обучения: Создание передовых (frontier) моделей чрезвычайно дорого. Обучение GPT-4 оценивается более чем в $100 млн. Open-weight модели, такие как DeepSeek-V3, достигают схожей производительности при затратах в $5.5 млн, демократизируя доступ к созданию мощных систем.
• Стоимость использования (инференс): Closed-weight модели тарифицируются по модели pay-per-use через API, что может приводить к высоким расходам при больших объемах. Open-weight модели, развернутые локально, требуют начальных инвестиций в инфраструктуру, но имеют значительно более низкую совокупную стоимость владения (TCO) при масштабировании.

Влияние на научные исследования и инновации

Open-weight модели фундаментально трансформируют научные исследования, обеспечивая воспроизводимость и демократизацию доступа. Исследователи по всему миру могут анализировать, критиковать и улучшать открытые модели, что создает динамичную экосистему и ускоряет прогресс. В свою очередь, закрытые модели создают «кризис воспроизводимости», так как заявленные результаты невозможно проверить независимо.

Безопасность и этические дилеммы

Вопрос безопасности является центральной дилеммой в дебатах между открытостью и контролем.

• Подход Closed-weight (Централизованное предотвращение): Разработчики, такие как OpenAI и Anthropic, применяют превентивный подход. Они внедряют сложные фильтры безопасности, проводят интенсивное "красное командование" (red teaming) и придерживаются строгих политик, таких как Responsible Scaling Policy от Anthropic, обязуясь не развертывать модели, превышающие определенные пороги риска.
• Подход Open-weight (Децентрализованная устойчивость): Эта философия, схожая с миром open-source, предполагает, что «много глаз делают все ошибки мелкими». Сообщество может быстрее находить и исправлять уязвимости. Однако это создает и риски: злоумышленники могут так же легко изучать модели для поиска уязвимостей или удалять защитные механизмы путем дообучения.

Исследования показывают, что человеческое намерение, а не доступность модели, является основным фактором риска. 90% задокументированных случаев злоупотребления генеративным ИИ связаны с эксплуатацией разрешенных возможностей, а не с вредом, генерируемым самими системами.

Регуляторные подходы: ЕС и США

• Закон ЕС об ИИ: Принимает превентивный, риск-ориентированный подход. Закон вводит строгие обязательства для моделей с «системным риском» (требующих для обучения более 10²⁵ флопс), но предоставляет ограниченные исключения для open-source моделей, которые не несут такого риска. Это создает стимул для прозрачности, но и регуляторную сложность.
• Подход США: Основан на стимулировании инноваций и управлении рисками через отраслевые стандарты. Исполнительный указ Президента Байдена 14110 и последующий отчет NTIA рекомендуют воздержаться от немедленного введения ограничений на open-weight модели, предлагая вместо этого создать систему мониторинга для принятия решений на основе фактических данных.

Ключевые модели и игроки

Сравнительная таблица ведущих Open-weight и Closed-weight моделей

Тип модели	Модель	Разработчик	Ключевая особенность
Open-weight	LLaMA 3.1	Meta	Высокая производительность, задавшая стандарт для открытых моделей; большое сообщество.
	Mixtral 8x7B	Mistral AI	Архитектура "смеси экспертов" (MoE), обеспечивающая высокую производительность при низких затратах на инференс.
Closed-weight	GPT-4 / GPT-4o	OpenAI	Исторический лидер по производительности, сильные мультимодальные возможности.
	Claude 4 Opus	Anthropic	Фокус на безопасности и этике (Constitutional AI), большое контекстное окно.

Ссылки

• Stanford AI Index Report 2025 — Ежегодный отчет о состоянии ИИ.
• Отчет NTIA по моделям с открытыми весами

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.