真开源 vs 假开源：怎么看懂一张许可证
三个问题定位开放程度；用同一套尺子横量 Qwen、Mistral、DeepSeek、Llama 与只给 API 的模型
本页解决的问题
先给结论「真开源 vs 假开源：怎么看懂一张许可证」要解决的关键问题是什么？
三个问题定位开放程度；用同一套尺子横量 Qwen、Mistral、DeepSeek、Llama 与只给 API 的模型
让这个结论先证明自己值得留下。 把这一页当成决策工具，而不是需要背下来的定义。把概念连到一个真实任务、一个可观察结果，以及一个能改变你判断的失败上。
写下一个问题：试完这个方法后，你能用什么证据回答它？
结论听起来很完整，却没有检查最关键的假设。
不用读完整份许可证。按顺序问下面三个问题，绝大多数模型的开放程度就定位清楚了。
问题 1权重文件能下载吗？
能下载，才谈得上后面所有事情。只能通过 API 调用的模型，无论宣传里怎么写，你都拿不到上一节说的那个控制权。这一问就能筛掉一大半。
问题 2能商用吗？有没有附加门槛？
这里最容易踩坑。有的许可证允许商用，但加了用户规模上限；有的限定只能用于研究。做产品之前不看清楚，等用户量涨上来才发现要补授权，就很被动了。
问题 3能用它的输出去训练新模型吗？
也就是能不能拿它做蒸馏。这一条决定了你能否在它基础上做出自己的模型，是后面两节要展开讲的事情。各家在这一条上的态度分歧最大。
光看不算掌握，拿一个你手上正在考虑的模型来走一遍。下面这个向导就是上面三问，一次问一个，答完直接告诉你它落在哪一档。
下面对每家问同样四个问题。第四个问题是训练数据是否公开，加进来是为了看清一件事：在大模型这个领域，「开源」这个词已经被重新定义过了。
- 可下载权重
- 可商用，无用户量限制
- 可用于训练新模型
- 否训练数据未公开
- 可下载权重
- 可商用，无用户量限制
- 可用于训练新模型
- 否训练数据未公开
- 可下载权重
- 可商用，无需申请
- 可官方明确允许蒸馏
- 否训练数据未公开
- 可下载权重
- 限月活超 7 亿需单独授权
- 可用于训练新模型
- 否训练数据未公开
- 否权重不可下载
- 否无法本地部署
- 否无法用于训练
- 否训练数据未公开
同样值得留意的是，许可证会变。Qwen 在 2.5 那一代用的是分级许可，多数尺寸走 Apache 2.0，3B 和 72B 另有单独条款；到 Qwen3 才统一成全系 Apache 2.0。选型时看的应该是你要用的那个具体版本的许可证，不是这家公司的整体印象。
下次评估一个模型时，按顺序走一遍：
二、确认你要用的那个具体尺寸的许可证，同一系列内可能不一致。
三、如果是自定义许可证，重点找用户规模、使用场景、地域这三类限制。
四、确认能否用于训练，这决定了你之后有没有微调和蒸馏的空间。
下一节看另一个角度：这些厂商为什么要开源。开源要花钱，权重放出去了就收不回来，没有一家是做慈善。
「三个问题，问完就有答案」要放回选型约束
「不用读完整份许可证。按顺序问下面三个问题，绝大多数模型的开放程度就定位清楚了」说明，模型、许可证、接入方式和榜单都只是信息，不是脱离场景的答案。真正的选择取决于任务、数据边界、延迟、质量下限和运行成本。
先写淘汰条件，再看最高分
「能下载，才谈得上后面所有事情。只能通过 API 调用的模型，无论宣传里怎么写，你都拿不到上一节说的那个控制权。这一问就能筛掉一大半」涉及的比较，至少要使用同一组真实输入，并同时观察正确性、失败方式、响应时间和费用。一个在公开榜单上领先的模型，可能因为许可证、隐私要求或峰值延迟不适合你的任务。
没有测试集，就没有可靠的赢家
以「下一节看另一个角度：这些厂商为什么要开源。开源要花钱，权重放出去了就收不回来，没有一家是做慈善」为起点，选几条真正会影响决策的输入，写下一个会改变选择的反例；这比记住一次排名更能支持下一次判断。
从「三个问题，问完就有答案」走到「同一把尺子量五家」
「三个问题，问完就有答案」先把问题落在「不用读完整份许可证。按顺序问下面三个问题，绝大多数模型的开放程度就定位清楚了」上；到了「同一把尺子量五家」，讨论继续推进到「下面对每家问同样四个问题。第四个问题是训练数据是否公开，加进来是为了看清一件事：在大模型这个领域，「开源」这个词已经被重新定义过了」。两段连起来，重点就不只是记住一个结论，而是看清它成立所依赖的条件。
把这条判断带到下一个场景
做模型选择时，先用真实任务写出不能妥协的条件，再用同一组输入比较质量、失败方式、延迟、许可和成本；榜单只适合作为起点。
- 「三个问题，问完就有答案」：不用读完整份许可证。按顺序问下面三个问题，绝大多数模型的开放程度就定位清楚了
- 「同一把尺子量五家」：下面对每家问同样四个问题。第四个问题是训练数据是否公开，加进来是为了看清一件事：在大模型这个领域，「开源」这个词已经被重新定义过了
- 「最后的要点」：光看不算掌握，拿一个你手上正在考虑的模型来走一遍。下面这个向导就是上面三问，一次问一个，答完直接告诉你它落在哪一档
最后的「最后的要点」把讨论落到「光看不算掌握，拿一个你手上正在考虑的模型来走一遍。下面这个向导就是上面三问，一次问一个，答完直接告诉你它落在哪一档」。回看这条线索时，最值得保留的是：当输入、规模或风险改变，哪些判断需要重新做一遍。
我把这篇文章里的一个判断改写成了今天可以验证的小实验。比记住结论更有用的是，知道下一步要观察什么。
读完以后我先回头找它成立的条件，而不是直接把方法搬进项目。这个顺序让后面的取舍清楚很多。
如果把这个判断放到真实工作里，最先需要补的约束是什么？我想知道从阅读到第一次实践之间，哪一步最值得先做。
还没有这篇文章的讨论。