开放权重（Open Weights）指的是：模型训练完成后得到的那一大堆参数文件被公开发布，任何人都可以下载、在自己的机器上运行、按需微调和再分发。Llama、Qwen、DeepSeek、Mistral、Gemma 这些能在 Hugging Face 上直接下载的模型都属于这一类。
它的对立面是闭源权重（或叫专有模型）：权重不公开，你只能通过厂商提供的 API 调用，GPT、Claude、Gemini 这些属于此类。
需要一开始就说清楚的是：日常里大家把开放权重叫「开源模型」，但严格说这两个词不等价，下面会展开。
先用一句话抓住它
开放权重是把「做好的模型」交给你，不是把「怎么做出来的」交给你。
用菜谱打比方。传统开源软件像公开完整菜谱：原料清单、每一步火候、任何人都能复现并改良。开放权重更像是把做好的一道菜端给你——你可以随便吃、切开重新装盘、加自己的调料再端上桌，但没人告诉你原料从哪来、怎么调的味。
「开放权重」和「开源」的差别
一个真正开源的 AI 模型，按开放源代码促进会（OSI）2024 年发布的开源 AI 定义，需要提供足够的信息让人能从零复现这个系统：训练用的数据（或对数据的充分描述）、训练和推理的完整代码、以及权重，且许可证不得限制使用领域和使用者。
按这个标准衡量，市面上绝大多数「开源模型」都只满足最后一项：
| 要素 | 典型开放权重模型 | 完整开源 AI |
|---|---|---|
| 权重文件 | ✅ 公开 | ✅ 公开 |
| 推理代码 | ✅ 通常公开 | ✅ 公开 |
| 训练代码 | ⚠️ 常不完整 | ✅ 公开 |
| 训练数据 | ❌ 极少公开 | ✅ 公开或充分描述 |
| 许可证限制 | ⚠️ 可能有商用或场景限制 | ❌ 不得限制 |
这不是文字游戏。差别落在实际决策上：你无法审计训练数据里有没有你不能碰的内容，无法复现训练过程，也无法确定某些许可证条款（比如月活用户超过某个数量就要另行授权）会不会在你业务长大后变成问题。
它带来了什么
部署自由。权重在你手上，就可以放进内网、放进本地设备、放进边缘场景，数据不出机房。对医疗、法务、政务这类场景，这往往不是省钱问题而是能不能做的问题。
成本结构改变。API 是按 Token 计费的可变成本，自部署是买算力的固定成本。调用量小的时候 API 更划算，量大到一定程度自部署才开始便宜——但要把运维、显卡利用率和峰值冗余算进去，这笔账经常被低估。
可改造。LoRA 微调、量化、蒸馏、改推理框架、甚至改架构，都只有拿到权重才能做。开放权重生态之所以工具链丰富，正是因为有人能动手改。
不被单一供应商锁定。模型下线、涨价、政策调整时，本地权重是你的兜底。
代价在哪
总拥有成本被低估。显卡采购或租用、推理服务的运维、模型更新的跟进、以及安全加固，都要人。很多团队算完发现，除非调用量真的很大或有合规硬要求，否则 API 更划算。
安全责任转移到你身上。闭源厂商在服务端做了大量的安全过滤和滥用防护；自部署等于这些全部由你承担，护栏、内容过滤、提示词注入防护都得自己搭。
能力仍有代差。开放权重模型这几年追得很快，在很多任务上已经足够用，但在最前沿的复杂推理和长程智能体任务上，通常仍落后闭源旗舰一段距离。这个差距会随时间变化，选型时应以你自己的评估为准，而不是几个月前的榜单。
容易误解的地方
「开放权重 = 免费」——权重免费下载，算力不免费。真跑起来的成本可能高于 API，尤其在利用率不高的时候。
「开源模型 = 可以随便商用」——必须逐个看许可证。有的是标准的 Apache 2.0 或 MIT，可以放心用；有的是厂商自定义许可，附带用户规模门槛、场景禁止条款或署名要求。这一项属于上线前的必查项。
「权重公开就能审计」——能审计的是行为，不是来源。你可以测它的输出，但无法从权重反推训练数据里有什么，所以数据合规风险并没有因为权重开放而消失。
怎么选
先问三个问题：数据能不能出去（不能就基本只剩自部署）；调用量有多大（决定成本天平往哪边倒）；任务有多难（前沿难题可能只有闭源旗舰能稳定完成）。
实践中越来越常见的是混合方案：主链路用闭源旗舰保证效果，高频固定的子任务用开放权重的小模型自部署，通过 AI 网关和模型路由统一调度。这样既拿到了成本和数据可控性，又不放弃能力上限。