Gartner 谈到的开放模型，通常需要按开放权重来理解：企业可以取得模型参数，在许可证允许的范围内运行和调整。它不等于完整开源 AI。训练代码、数据相关信息和使用权利是否充分开放，仍须分别判断。

权重开放，究竟开放了哪一部分？

权重可理解为模型训练后形成的数值参数。拿到权重，再配合架构配置、分词器和运行软件，通常就能搭建推理服务，不必把每次请求都发送给原厂 API。企业也可能进行量化、微调或部署优化，但这些操作是否被允许，要看相应版本的许可证。

它没有自动交出训练过程的全部信息。仅靠参数文件，不能完整还原预训练语料、清洗规则、实验记录和数据授权。权重可见，也不等于每一个输出都能解释清楚，模型对某道题的回答仍可能出错。

完整开源 AI 多了什么要求？

OSI 的开源 AI 定义不仅关注能否下载，还关注使用、研究、修改和分享的自由，和修改系统所需的适当形式。对机器学习系统，这涉及参数、代码与足够的数据相关信息。它并不简单等于“必须公开互联网上每一条原始训练数据”，也不是贴上一个开源软件许可证就自动满足。

为什么企业会在意这个区别？

若采购目标是让数据留在自己的网络里，权重可下载且允许自建，可能已经解决一部分问题。若目标是独立复现训练、审查数据来源或把改进版本再分发给客户，要求就更高，不能只看模型介绍中的“开放”两个字。

还有一种容易忽略的情况：企业调用的虽然是开放权重模型，但实际使用的是第三方托管 API。数据经过哪里、日志保留多久、服务中断如何处理，仍然由托管方式和合同决定。模型开放不等于这次调用已经变成本地处理。

采购时把问题问相应

要求供应方列出精确模型名称、版本、权重下载方式、许可证、运行依赖和数据处理路径。软件代码、模型权重、数据集和托管服务可能分别使用不同条款，应分开保存。不宜用同一个品牌下某个小模型的许可，替代另一个大模型的商业审核。

实际交流中可继续使用“开源模型”这一常见简称，但在采购、法务和部署文档里，应明确写成开放权重还是符合某项开源定义。把权利和交付内容写清楚，比争论名称更能避免后续返工。