開源AI模型入門指南
本文介紹了開源AI模型的基本概念、工作原理及使用場景。開源模型通常指開放權重的模型，使用者可以對其進行微調和部署，相比閉源模型具有成本低、可定製性強等優勢。文章還討論了開源與閉源模型的比較、適用時機以及未來發展趨勢。
文章情報
要點
- 開源模型主要是開放權重的模型，允許使用者微調和部署。
- 相比閉源模型，開源模型平均成本低87%，並提供更好的控制性和定製化能力。
- 建議先使用閉源模型驗證任務，在規模擴大或對延遲有嚴格要求時考慮開源模型。
- 開源模型通常落後閉源模型3-6個月，但透過微調可在特定任務上超越閉源模型。
為什麼重要
這條新聞值得關注，因為開源模型主要是開放權重的模型，允許使用者微調和部署。
技術影響
可能影響模型選型、推理成本、產品能力和評測基準。
開源AI模型近年來備受關注，尤其是DeepSeek R1等模型的釋出，顯著縮小了開源與閉源模型之間的效能差距。本文作為五部分系列文章的開篇，旨在為讀者提供開源模型的全面介紹。
什麼是開源模型？
通常所說的“開源模型”主要指開放權重（open-weight）模型。與傳統開源軟體完全公開原始碼不同，開放權重模型僅公開模型權重，而不一定包含訓練資料或程式碼。儘管如此，這類模型仍被廣泛稱為開源模型。
模型權重是影響模型輸出的引數。例如，透過微調權重，可以讓模型以特定風格（如海盜口吻）回答問題。開源模型如DeepSeek、GPT-OSS和GLM等，其權重公開可獲取，多數以MIT許可證釋出，但部分可能限制商業使用。
開源模型 vs 閉源模型
閉源模型（如GPT-5、Claude Sonnet）的權重不公開，使用者僅能透過API訪問。而開源模型允許任何人託管和執行模型，但需要強大的GPU硬體。推理提供商（inference providers）將這些模型部署在自身基礎設施上，並透過API向使用者提供服務，按GPU時間或令牌收費。
對開發者而言，兩者使用體驗相似，都透過API呼叫。主要區別在於開源模型提供了更多選擇：使用者可以根據需求選擇不同的提供商、最佳化目標，甚至自行執行模型。
開源模型的主要優勢
1. 專業化
閉源模型只能透過提示詞（prompt）進行調整，而開源模型允許使用者微調權重，使其在特定任務上表現更優。微調後的專用模型在特定場景下甚至可能超越通用閉源模型。
2. 控制性
開源模型允許使用者在延遲和吞吐量之間進行精細權衡。Baseten CTO Amir Haghighat指出，閉源模型API為服務大量使用者而最佳化，往往犧牲了延遲，而開源模型在需要低延遲的場景（如AI語音通話）中更具優勢。
3. 成本
開源模型平均成本比閉源模型低87%，原因包括按GPU使用計費而非按令牌、推理提供商之間的競爭以及模型最佳化研究的進步。
何時使用開源模型？
Baseten訓練主管Charlie O'Neill建議，大多數開發者應首先使用最佳閉源模型來驗證任務可行性。當使用量增長導致令牌成本壓力增大，或對延遲和吞吐量有嚴格要求時，再考慮轉向開源模型。
開源模型能否趕超閉源模型？
開源模型通常落後閉源模型3-6個月。但重點不在於全面趕超，而在於在特定任務上是否足夠優秀。透過微調，開源模型在專用任務上可能超越閉源模型。正如《Inference Engineering》所指出的，關鍵問題是“開源模型是否足以勝任具體工作”，而不是“它們是否與最強閉源模型相當”。
更深層次的問題
開源與閉源之爭背後是更根本的問題：隨著AI能力增強，誰應該擁有訪問權？開源模型將AI開發權力分散到更多群體，促進創新和普及，但也帶來濫用風險。此外，算力分佈不均、地緣政治影響等問題也值得關注。
在後續系列文章中，我們將深入探討開源模型的工作原理、使用技巧及其對軟體工程師的影響。