Что такое open-weight модель и чем открытые веса отличаются от open-source

Число моделей с открытыми весами растёт каждый год — вслед за Llama и DeepSeek к этому списку готовится присоединиться и Kimi K3, чьи полные веса Moonshot AI обещает выпустить к 27 июля 2026 года. Open-weight модель и открытые веса — это когда разработчик публикует готовые обученные параметры нейросети для свободного скачивания, запуска на своём железе и дообучения, но не раскрывает код обучения и датасеты, на которых модель тренировалась.

Это не то же самое, что «open source» в привычном смысле программного обеспечения. Для тех, кто хочет скачать модель и развернуть её у себя — в облаке, на локальном сервере или на кластере GPU — разница принципиальна: она определяет, что именно можно получить, а что останется закрытой частью процесса обучения.

Что такое веса модели и что значит «открытые»

Термином Open Weights Model называют модель, у которой в публичный доступ выложены обученные параметры — то, что технически и называется «весами» нейросети. Обучение LLM обходится корпорациям в десятки миллионов долларов, требует тысяч GPU и месяцев вычислений, поэтому веса часто сравнивают с синапсами мозга: это результат всей проделанной работы, спрессованный в файл.

Веса как «обученный мозг» модели

Веса — это цифровые параметры, которые модель настраивает на себя во время обучения на огромных массивах текста. «Открытые» значит, что файл с этими параметрами можно скачать и запустить на собственном железе без обращения к API разработчика и без ограничений по количеству запросов, характерных для облачных сервисов.

Почему компании вообще открывают веса

Есть три основные причины, по которым компании решают открыть веса своей модели:

• Экосистема разработчиков вокруг модели. Компания получает армию инженеров, которые тестируют, дообучают и продвигают модель бесплатно — это быстрее и дешевле, чем растить собственное сообщество с нуля.
• Конкуренция с закрытыми лидерами. Открытые веса — способ отвоевать долю рынка у закрытых моделей вроде GPT или Claude, предложив бизнесу альтернативу без вендор-лока.
• Снижение барьера входа. Стартапы и исследователи получают доступ к топовым архитектурам без бюджета в сотни миллионов долларов на собственное обучение.

Иногда решение подталкивают внешние обстоятельства: в марте 2023 года веса LLaMA утекли на 4chan без санкции Meta. Вместо того чтобы бороться с распространением файлов, компания официально выпустила Llama 2, а затем Llama 3 как open-weight модели — превратив утечку в осознанную стратегию.

Open-weight vs open-source: в чём разница

Путаница вокруг терминов «open-weight» и «open-source» — главная сложность для тех, кто выбирает модель под задачу. Разница формализована стандартом Open Source AI Definition (OSAID), опубликованным 28 октября 2024 года.

Критерий	Open-source модель	Open-weight модель
Веса модели	Открыты	Открыты
Код обучения	Открыт	Закрыт
Обучающие датасеты	Открыты	Закрыты
Воспроизводимость обучения	Полная	Отсутствует
Примеры	OLMo	Llama, DeepSeek, Qwen, Kimi K3

Что даёт open-source, чего нет у open-weight

Open-source модель публикует все артефакты, нужные для воспроизведения результата: веса, архитектуру, код обучения и сами датасеты — именно это требует стандарт OSAID. Open-weight модель отдаёт пользователю только готовый результат: точные методы тренировки и данные, на которых модель обучалась, остаются закрытыми внутри компании-разработчика.

Примеры: кто открывает веса, кто — код и данные

Llama, DeepSeek и Qwen — классические open-weight модели: веса скачиваемы и запускаемы, но обучающие данные закрыты. OLMo остаётся редким примером полноценной open-source модели с открытым датасетом Dolma. При этом компании нередко называют open-weight релизы «open source» из маркетинговых соображений — в индустрии это явление получило название openwashing.

Open source AI is AI that gives you the freedom to use, study, modify, and share it — a truly open model must release weights, code and training data under terms that allow all four freedoms.Open Source Initiative, Open Source AI Definition

Что можно делать с open-weight моделью: скачать, хостить, дообучить

Открытые веса дают три практических сценария использования — локальный запуск, развёртывание в своей инфраструктуре и дообучение под задачу. Разрыв в качестве между open- и closed-weight моделями за год сократился с 8% до 1,7%, по данным Stanford AI Index 2025, что делает открытые модели всё более рабочей альтернативой закрытым.

Скачать и запустить локально

Файлы весов — обычно в форматах safetensors или GGUF — публикуются в открытых репозиториях вроде Hugging Face и аналогичных площадок. Запуск требует собственного железа: от одной GPU для компактных моделей до полноценного кластера для моделей уровня Kimi K3 с её 2,8 трлн параметров.

Что нужно проверить перед локальным запуском:

• формат файлов весов — safetensors или GGUF, поддерживает ли его выбранный инференс-движок;
• объём видеопамяти под конкретный размер модели и квантование;
• лицензию модели — допускает ли она нужный сценарий использования;
• совместимость с фреймворком инференса (vLLM, llama.cpp, Transformers и аналоги).

Дообучение под свою задачу (fine-tuning)

Взяв базовую open-weight модель, компания может дообучить её на узких данных — медицинских, юридических, отраслевых — и получить специализированного ассистента заметно дешевле, чем обучение модели с нуля. Показателен пример DeepSeek-V3: модель обучили примерно за 5,5 млн долларов против свыше 100 млн долларов, которые, по оценкам, стоило обучение GPT-4. До полного релиза весов модель доступна через API — её цена API позволяет протестировать модель ещё до появления файлов весов в открытом доступе.

Проверить, подходит ли конкретная open-weight модель под задачу дообучения, можно по короткому чек-листу:

1. Определить объём и формат отраслевых данных, на которых планируется дообучение.
2. Проверить лицензию базовой модели — допускает ли она коммерческое дообучение.
3. Оценить требования к железу: размер модели в параметрах и минимальный объём видеопамяти.
4. Скачать веса из официального репозитория (Hugging Face или аналог).
5. Запустить базовую модель локально и убедиться в стабильной работе инференса.
6. Провести дообучение на подготовленном датасете и замерить качество на тестовой выборке.
7. Сравнить результат с обращением к облачному API — по стоимости и скорости ответа.

Лицензии open-weight моделей: что можно, а что нет

Открытые веса не означают отсутствие ограничений — конкретные права определяет лицензия, под которой модель распространяется.

Модель	Лицензия	Коммерческие ограничения
DeepSeek R1 / V3+	MIT	Нет
Qwen3	Apache 2.0	Нет
Gemma 4	Apache 2.0	Нет
gpt-oss	Apache 2.0	Нет
Llama	Community License (Meta)	Лимит 700 млн MAU

Разрешительные лицензии (MIT, Apache 2.0)

Модели под лицензиями MIT и Apache 2.0 не накладывают коммерческих ограничений: их можно встраивать в продукт, дообучать и продавать результат без отчислений разработчику. К этой группе относятся:

• DeepSeek R1 и V3+ — лицензия MIT;
• Qwen3 — лицензия Apache 2.0;
• Gemma 4 — лицензия Apache 2.0 (переход с прежней ограничительной лицензии Google);
• gpt-oss — лицензия Apache 2.0.

Кастомные лицензии с ограничениями

Llama распространяется по собственной Community License от Meta: компании и сервисы с аудиторией свыше 700 миллионов активных пользователей в месяц обязаны получать отдельную коммерческую лицензию у правообладателя — для большинства бизнесов это ограничение не критично, но крупным платформам придётся с ним считаться.

Крупнейшие открытые веса: что уже известно о ближайшем релизе

Moonshot AI объявила в официальном анонсе, что полные веса будут выпущены к 27 июля 2026 года — модель станет крупнейшей open-weight моделью такого класса с 2,8 трлн параметров, а разреженная архитектура активирует лишь 16 из 896 экспертов на каждый запрос. Подробный разбор устройства — в материале про архитектуру MoE.

Дата и формат релиза весов

Полный релиз весов запланирован на 27 июля 2026 года и станет первым выходом открытой модели такого масштаба — 2,8 трлн параметров ранее не публиковались ни одной компанией в open-weight формате.

Доступ до полного релиза весов

До выхода весов модель доступна через Kimi API Platform и приложения Kimi.com — то есть фактически работает как closed-weight сервис, который официально станет open-weight моделью после 27 июля 2026 года. Компания-разработчик — Moonshot AI, китайский стартап, уже выпускавший предыдущее поколение модели Kimi K2 в open-weight формате. Пока веса не вышли, протестировать эту и другие модели можно в бесплатных нейросетях онлайн — без установки и локального железа.

FAQ

Чем open-weight отличается от open-source?

Open-weight — публикуются только готовые веса модели, которые можно скачать и запускать. Open-source — публикуются ещё код обучения и датасеты, что даёт полную воспроизводимость по стандарту OSAID.

Что такое веса нейросети простыми словами?

Это числовые параметры, которые модель «выучила» во время тренировки — по сути, её обученный «мозг» в виде файла, который можно загрузить в память и запускать.

Можно ли использовать open-weight модель бесплатно в коммерческих целях?

Зависит от лицензии: MIT и Apache 2.0 (DeepSeek, Qwen3, Gemma 4) — без ограничений; кастомные лицензии, как у Llama, вводят порог аудитории, после которого нужна отдельная коммерческая лицензия.

Какие модели считаются open-weight?

Llama (Meta), Mistral/Mixtral, Qwen (Alibaba), DeepSeek, Gemma, gpt-oss — и с 27 июля 2026 года к ним присоединится Kimi K3 от Moonshot AI.

Зачем компании открывают веса моделей?

Чтобы построить экосистему разработчиков вокруг модели, конкурировать с закрытыми лидерами и снизить барьер входа для бизнеса — иногда решение подталкивают внешние обстоятельства, как утечка LLaMA в 2023 году.

Что изменится после релиза весов Kimi K3 27 июля 2026 года?

Модель можно будет скачать и хостить локально или в своей инфраструктуре, а не только вызывать через Kimi API Platform — это расширит возможности дообучения под конкретные задачи.