开源模型：2026年开放权重AI与闭源模型的差距

2023年5月，在Arena排行榜上（用户对两个模型的回答进行盲测比较），最好的闭源AI模型与最好的开放模型相差174分。2024年8月，差距只有7分。2026年3月，又回升到49分。这些数字来自斯坦福大学的《AI Index 2026》，说明可以下载并在自己这里运行的模型，始终接近最好的模型而没有超越，而且差距随着少数几家公司的发布节奏而变化。

开放权重与开源：这些词指的是什么

语言模型是一种程序，在海量语料上训练之后，读取文本并生成文本。它学到的东西存储在它的参数里，也称为权重：训练期间调整出的数十亿个数字。开放权重模型指这些数字被公布并可下载的模型。这样任何人都可以在自己的机器上运行它、调整它或研究它。相反，闭源模型只能通过其发布者的界面访问：向它发送请求，它返回回答，它的权重留在发布者的服务器上。

“开源”这个说法常被用于前两种情形，严格来说并不恰当。开源促进会（Open Source Initiative）是自由软件许可证领域的权威组织，在2024年10月底发布了其开源AI定义的1.0版。它要求三个要素：关于训练数据的足够详细的信息，使有能力的人可以重建一个类似的系统；用于训练和运行模型的完整代码；以及参数本身。

大多数知名模型公布第三项，有时公布第二项的一部分，几乎从不公布第一项。训练数据出于竞争和版权原因保持保密。一些研究项目，如艾伦人工智能研究所的OLMo，也公布其数据，但它们并不在性能最好的模型之列。因此，对DeepSeek、Qwen、Mistral或gpt-oss来说，准确的术语是“开放权重模型”。本文为方便起见称之为开放模型。

许可证允许什么

许可证是规定用户可以如何使用模型的合同。源于自由软件的Apache 2.0和MIT许可证最为宽松：只要保留作者署名和许可证文本，就允许商业使用、修改和再分发。阿里巴巴的Qwen3.5、OpenAI的gpt-oss和Mistral Large 3以Apache 2.0发布。DeepSeek V4以MIT许可证发布。

Meta为Llama 4选择了自家的许可证，日期为2025年4月5日。它允许商业使用，但有三个值得注意的条件。产品月活跃用户超过7亿的公司，必须向Meta申请许可，这只涉及全球少数几家集团。任何分发基于Llama的产品的公司，必须显示“Built with Llama”字样。最后，任何分发的衍生模型，名称必须以“Llama”开头。

这些条件对大多数企业仍可接受，但会改变法务部门的工作。Apache 2.0许可证是标准文本，已经为审核过自由软件的法律人员所熟悉。发布者自己的许可证则必须通读全文，而且可能在模型的不同版本之间发生变化。

2026年秋季可用的主要开放模型

最大的开放模型几乎都基于所谓的混合专家架构。模型被切分成许多子网络，对于生成的每个词，一个路由只调用其中几个。因此要区分两个数字：总参数数量，决定所需的内存；以及激活参数数量，决定每个词的计算量。

DeepSeek是由对冲基金High-Flyer出资的中国实验室，于2026年4月底以MIT许可证发布了V4系列的预览版。据Hugging Face上发布的说明，V4-Pro有1.6万亿个参数，其中490亿个被激活，V4-Flash有2 840亿个，其中130亿个被激活。两者都支持一百万token的上下文。上下文是模型一次可以考虑的文本量，一个token对应一个词的片段。

阿里巴巴于2026年2月16日以Apache 2.0发布了Qwen3.5：3 970亿个参数，其中170亿个被激活，支持201种语言和方言。据Summit School发布的一项分析（我们未能向阿里巴巴核实），4月推出的Qwen3.6系列包含更易于托管的模型，其中有一个350亿参数的模型，只激活30亿个。而随后的旗舰模型Qwen3.7-Max，于2026年5月发布，只能通过API访问，没有可下载的权重。

在欧洲，法国公司Mistral AI于2025年12月2日发布了Mistral Large 3，一个6 750亿参数、410亿激活的模型，同时发布了三个参数分别为30亿、80亿和140亿的小模型，全部采用Apache 2.0。在美国，OpenAI于2025年8月发布了gpt-oss，这是自GPT-2以来的第一个开放模型：较大的版本有1 170亿个参数，其中51亿被激活，较小的有210亿个，其中36亿被激活。

Meta曾以Llama系列在美国一侧推动开放，现已改变方向。2026年4月8日，该公司推出了Muse Spark，这是其Meta Superintelligence Labs实验室的首个模型。它是闭源的：在Meta的应用中使用，或通过向选定合作伙伴开放的API使用。Meta写道，希望未来的版本能开源，但没有时间表。已经发布的Llama模型仍可下载。

衡量差距：独立排行榜与发布者的数字

基准测试是一组用来给模型打分的标准化问题。每个发布者都会选择突出自己成绩最好的那些，这使比较变得脆弱。Arena排行榜的做法不同：用户提交一个问题，收到两个匿名的回答，并为更好的那个投票。投票形成类似Elo的分数，也就是国际象棋选手的排名系统。

斯坦福以人为本人工智能研究所发布的《AI Index 2026》依据的就是这个排行榜。2026年3月，最好的闭源模型，Anthropic的Claude Opus 4.6，得到1 503分。最好的开放模型，中国智谱AI的GLM-5，得到1 454分，差距49分，即3.4%。排行榜前十名中有六个是闭源模型。报告还指出，前四家公司Anthropic、xAI、Google和OpenAI，彼此相差不到25分，其后是阿里巴巴的1 449分和DeepSeek的1 424分。

报告描述了一种钟摆式的运动。Mixtral、WizardLM，然后是Llama 3.1 405B，在2024年8月把差距缩小到7分。OpenAI的o1-preview和Google的Gemini 2.5 Pro等新的闭源模型的出现，又使差距拉大。开放实验室发布时差距缩小，闭源实验室推出新一代时差距重新拉开。

发布者给出了他们自己的估计，应当当作估计来读。DeepSeek称V4-Pro在推理上落后GPT-5.4和Gemini 3.1 Pro三到六个月，WinBuzzer网站指出这一估计未经独立实验室验证。至于Qwen3.5，阿里巴巴公布并被The Decoder转载的数字显示，它在遵循指令的测试上领先，如IFBench为76.5，但在竞赛数学上落后于GPT-5.2，AIME26为91.3对96.7，在编程上也落后，LiveCodeBench为83.6对87.7。

综合来看，这些数字表明，一个好的开放模型落后于最好的闭源模型几个月。对于大多数办公任务，用户看不出差别。在最困难的问题上，如长推理，或无人监督、串联多个步骤的任务，差距仍然可以测量。

所需内存与量化的作用

要运行，模型必须把所有参数加载进内存，包括某一时刻不活跃的专家的参数。混合专家减少的是计算，而不是内存。在标准的16位精度下，每个参数占两个字节。因此gpt-oss的1 170亿个参数需要约234 GB，接近80 GB的Nvidia H100显卡内存的三倍。

量化解决了一部分问题。它是用更少的位存储每个参数，用8位或4位而不是16位。Hugging Face的Transformers库文档把它描述为一种降低所需内存的方式，同时尽可能保持模型的精度。最贴切的类比是压缩过的照片：文件轻得多，如果压缩得好，只有仔细看才能看出差别。

发布者现在直接提供已量化的模型。OpenAI发布gpt-oss时，其专家的权重采用MXFP4格式，约为4位，这使大版本能放进一块80 GB的显卡，小版本只需16 GB内存即可运行。DeepSeek以混合格式发布V4：专家用4位，其余大部分参数用8位。即使经过压缩，V4-Pro仍需要几百GB，依然是服务器集群级别的模型。

实际上形成了三个档次。30亿至200亿参数的模型，可在配备较新显卡的工作站上运行。300亿至1 200亿的模型，需要配备一两块大容量显卡的专用机器，这仍在中小企业的承受范围内。超过几千亿之后，就需要一台完整的计算服务器。压缩是有代价的：在代码、计算或高度专业的文本上，过强的量化会使结果变差。唯一可靠的方法是在自己的文档上测试。

够用的任务，吃力的任务

中等规模的开放模型在有界且重复的工作上表现良好：总结会议纪要，分类邮件，从发票中提取字段，依据内部文档库回答问题，起草初稿，翻译。对这些用途，一个配置得当的200亿至1 200亿参数的模型，给出的回答，大多数用户无法与闭源模型区分。在本地托管，它还带来可预测的成本，以及不经内部决定就不会改变的行为。

它们在三种情形下更脆弱。第一种是模型独立行动、串联几十个动作的长任务：每一步微小的出错概率，最终会累积起来。第二种是较新的知识，因为模型只知道训练结束前读到的内容，除非向它提供最新文档。第三种是在训练数据中占比较少的语言和行话，训练数据主要是英文和中文。因此，法律或技术类的法语，在任何部署之前都需要专门测试。

开放模型是一个文件，而不是一项服务。安全更新、监控、访问日志和权限管理，仍由托管者负责。这正是闭源模型发布者通过API收费所提供的工作，选择自行托管时必须把它考虑在内。

美国、中国、欧洲：三种发布方式

美国最先进的实验室，Anthropic、Google和OpenAI，把最好的模型保持闭源，通过API销售。OpenAI通过gpt-oss部分例外，该模型仍低于其旗舰模型。Meta随Muse Spark而与竞争对手一致。

中国的实验室，如DeepSeek、阿里巴巴或智谱AI，以宽松的许可证发布了大量开放权重。《AI Index 2026》指出，美国模型与中国模型之间的差距几乎已经消弭：2026年3月，最好的美国模型领先最好的中国模型，即字节跳动的Dola-Seed-2.0 Preview，39分，即2.7%。据WinBuzzer，华为确认其基于昇腾处理器的计算集群可以运行DeepSeek V4，而该模型其实是在Nvidia芯片上训练的。不过，中国的开放并不是一种教条：阿里巴巴如今把最强大的模型放在API之后，而排行榜上最好的中国模型，即字节跳动的那个，是闭源的。

欧洲顶级实验室不多，以Mistral AI为首，更多是凭借监管发挥分量。《AI Act》对通用AI模型的义务自2025年8月2日起适用，委员会自2026年8月2日起可以强制执行。以自由许可证发布的模型，被归为系统性风险的除外，可以免除一部分技术文档义务，但仍必须公布训练数据摘要和版权合规政策。伴随这些规则的行为准则于2025年7月10日发布，到2025年8月中旬有26家签署方，包括OpenAI、Google、Microsoft、Amazon和Anthropic。Meta和中国企业不在其列。

对法国的买家来说，结论很实际：在部署模型之前，必须知道实际运行的是哪一个，采用什么许可证，附带什么文档，发布者是谁。

更换模型而不必重建工具

今天的排名不会是明年的排名。十二个月里，DeepSeek发布了新一代，阿里巴巴推出了三代并把最新一代留给了自己的API，Meta推出了它的第一个大型闭源模型。一家把软件直接接到某个特定模型上的企业，是在押注一种在年底前就会改变的市场状态。

应对办法是技术性的。应用不直接与模型对话，而是与一个中间层对话，由它按任务选择模型。一套由企业真实文档和问题组成的内部测试集，用来在替换之前验证新模型至少不输于旧模型。这样，更换模型就成了一项有计划、可验证的维护工作。

这种做法同时防范多种风险：发布者停止公布权重，许可证收紧，价格上涨，模型被撤下。德国网站Digital Chiefs一篇谈Meta转向的文章，向IT部门推荐同样的做法：采用多个模型系列而不是单一供应商，其中至少有一个开放模型用于受监管或离线的场景，建立应用及其所用模型的清单，并在合同中写入退出条款。

开放模型的现状对企业意味着什么

2026年秋季，据最受关注的独立衡量，最好的开放模型与最好的闭源模型只相差几分。它们的许可证从几乎不设条件的Apache 2.0，到需要请人审阅的自家文本不等。它们的可得性取决于作者的战略，这可能在版本之间改变。对于大多数常见用途，它们已经够用，并且可以在不把企业文档发给第三方的情况下处理这些文档。

长期来看，重要的标准是能否在不动其余部分的前提下，用一个模型替换另一个。这就是HOMN的架构选择：模型是可互换的部件，每次替换前都在客户的文档上测试，而围绕它的基础设施在各代之间保持不变。

开源模型与开放权重模型有什么区别？

开放权重模型公布其参数，因此可以下载并在自己的机器上运行。按开源促进会的定义，开源模型还必须公布训练代码和关于训练数据的详细信息。大多数知名模型，如DeepSeek、Qwen或Mistral，都是开放权重的。

2026年最好的开源AI模型是什么？

据斯坦福《AI Index 2026》，2026年3月Arena排行榜上最好的开放模型是智谱AI的GLM-5，1 454分。DeepSeek V4、Qwen3.5和Mistral Large 3，属于此后发布的最大的开放模型之列。合适的选择取决于可用硬件、许可证以及在自己任务上的测试。

开源模型和ChatGPT或Claude一样好吗？

接近。2026年3月，最好的开放模型落后于Arena排行榜上最好的闭源模型49分，即3.4%。对于常见的办公任务，差别不明显，但在长推理和复杂的自主任务上仍可测量。

在本地运行开源LLM需要什么硬件？

一个30亿至200亿参数的模型，可在配备较新显卡的工作站上运行，gpt-oss-20b只需16 GB内存即可运行。一个约1 200亿参数、量化到4位的模型，如gpt-oss-120b，可放进一块80 GB的显卡。数千亿参数的模型则需要一台完整的服务器。