「开源模型」等于免费吗？
权重、数据、方法三件套逐项检查主流模型开放了什么；满血版 vs 蒸馏版对比，你本地跑的多半是小号
本页解决的问题
先给结论「开源模型」等于免费吗？
权重、数据、方法三件套逐项检查主流模型开放了什么；满血版 vs 蒸馏版对比，你本地跑的多半是小号
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。
多数「开源模型」只公开了权重，也就是练好的大脑本体；训练数据和训练方法通常不给。下载不要钱，但跑起来要显卡要电费，拿去赚钱还要看许可证。
软件圈的开源，给的是源代码：你能看到每一行怎么写的，能自己改、自己编译，整个制作过程摊开在你面前。菜谱、食材、火候，全套公开。
AI 圈的「开源模型」大多没这么慷慨。它给你的是权重：几百 GB 的数字，是那锅汤炖好之后的成品。汤你随便喝，但配方（训练数据）和炖法（训练方法）通常保密。所以圈内更严谨的叫法是「开放权重」，只是新闻标题懒得区分。
另外别忘了许可证。开源模型附带一份使用协议，有的随便商用，有的限制用途或用户规模。自己玩基本没事，拿去赚钱前务必读一遍，这一步很多人跳过，跳过的代价可能是律师函。
判断一个模型开得有多彻底，看三样东西就够了：权重、数据、方法。点下面两个按钮，看看两种典型情况分别亮几盏灯。
模型权重
训练数据
训练方法
还有一个常见误会：新闻里刷榜的「满血版」，和你在自己电脑上跑起来的那个，多半是两回事。厂商通常会把大模型「蒸馏」成小模型：让大的当老师，教出一个小的，能力保留一部分，体积缩小几十倍。点下面的按钮看对比。
满血版
蒸馏版
「免费下载」和「免费运行」是两件事。模型文件本身不要钱，但它跑起来要占显存：模型越大，需要的显卡越贵，大到一定程度，一张卡装不下，得好几张一起上。电费也是持续开销，虽然家用规模不至于心疼，但服务器规模就是一笔正经账单了。
「先纠正一个印象 · AI 圈的「开源」有点特殊」要放回选型约束
「多数「开源模型」只公开了 权重 ，也就是练好的大脑本体；训练数据和训练方法通常不给。」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
「软件圈的开源，给的是源代码：你能看到每一行怎么写的，能自己改、自己编译，整个制作过程摊开在你面前。菜谱、食材、火候，全套公开」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。
- 开源多半只是开权重 ：汤给你了，配方和炖法保密，严谨叫法是「开放权重」
- 免费下载和免费运行是两件事 ：跑起来要显卡要电费，模型越大账单越厚
- 本地跑的多半是蒸馏小号 ：新闻里的满血版住在机房里，别拿榜单成绩要求小号
没有测试集，就没有可靠的赢家
以「「免费下载」和「免费运行」是两件事。模型文件本身不要钱，但它跑起来要占显存： 模型越大，需要的显卡越贵 ，大到一定程度，一张卡装不下，得好几张一起上。电费也是持续开销，虽然家用规模不至于心疼，但服务器规模就是一笔正经账单了」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「先纠正一个印象 · AI 圈的「开源」有点特殊」走到「三件套检查器 · 它到底开了什么」
「先纠正一个印象 · AI 圈的「开源」有点特殊」先把问题落在「软件圈的开源，给的是源代码：你能看到每一行怎么写的，能自己改、自己编译，整个制作过程摊开在你面前。菜谱、食材、火候，全套公开」上；到了「三件套检查器 · 它到底开了什么」，讨论继续推进到「判断一个模型开得有多彻底，看三样东西就够了： 权重、数据、方法 。点下面两个按钮，看看两种典型情况分别亮几盏灯」。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。
- 「先纠正一个印象 · AI 圈的「开源」有点特殊」：软件圈的开源，给的是源代码：你能看到每一行怎么写的，能自己改、自己编译，整个制作过程摊开在你面前。菜谱、食材、火候，全套公开
- 「三件套检查器 · 它到底开了什么」：判断一个模型开得有多彻底，看三样东西就够了： 权重、数据、方法 。点下面两个按钮，看看两种典型情况分别亮几盏灯
- 「最后的要点」：商用先看许可证 ：自己玩随意，赚钱前把使用协议读一遍
最后的「最后的要点」把讨论落到「商用先看许可证 ：自己玩随意，赚钱前把使用协议读一遍」。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。
✅ 这一页想和你分享的
- 开源多半只是开权重：汤给你了，配方和炖法保密，严谨叫法是「开放权重」
- 免费下载和免费运行是两件事：跑起来要显卡要电费，模型越大账单越厚
- 本地跑的多半是蒸馏小号：新闻里的满血版住在机房里，别拿榜单成绩要求小号
- 商用先看许可证：自己玩随意，赚钱前把使用协议读一遍
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。