什麼是開源或開放權重模型？
你可能常看到這樣的說法：
Llama、Gemma、GPT-OSS 都是開源模型，所以可以下載回自己的電腦執行。
這句話在日常對話中很常見，但把「可以下載」直接等同於「開源」，其實省略了很多差異。更精確的判斷可以拆成：
這個模型究竟開放了哪些部分？我被允許做什麼？
先用最簡單的方式分辨
Section titled “先用最簡單的方式分辨”| 說法 | 最簡單的理解方式 |
|---|---|
| 開放權重模型 | 確定使用者可以取得訓練完成的模型權重，但其他材料與使用權利仍要另外確認。 |
| 嚴格定義下的開源 AI | 不只取得權重，還要有使用、研究、修改與分享所需的自由及材料。 |
| 日常所說的「開源模型」 | 常被當成「權重可以下載」的寬鬆說法，也可能真的在指符合完整條件的開源 AI；只看名稱無法判斷。 |
因此，開放權重是在描述「拿不拿得到權重」；開源 AI是在描述「是否具備使用、研究、修改與分享整套系統的自由與材料」。日常語言卻常把兩者都叫作「開源模型」，名詞上的歧異就出現在這裡。
模型不像一般軟體，只有一份原始碼
Section titled “模型不像一般軟體，只有一份原始碼”傳統軟體談開源時，核心通常是人類撰寫的原始碼。機器學習模型則由好幾個部分共同構成：
| 組成部分 | 它回答的問題 |
|---|---|
| 模型架構與推論程式 | 這個模型如何接收輸入並產生輸出？ |
| 模型權重 | 訓練後學到的參數是什麼？ |
| 訓練程式與設定 | 它用什麼流程、參數與工具訓練？ |
| 訓練資料資訊 | 它看過哪些類型的資料？資料如何蒐集、清理與篩選？ |
| 評估方法與結果 | 發布者用什麼方式測試能力與風險？ |
| 授權與使用條款 | 你能否使用、修改、重新散布或用於商業用途？ |
發布者可能只開放其中一部分，也可能每一部分採用不同授權。因此「公開了一個模型」不一定代表別人能完整研究、重建與修改整套系統。
什麼是開放權重模型？
Section titled “什麼是開放權重模型？”模型權重是模型在訓練過程中學到的大量數值。開放權重模型（open-weight model）最關鍵的特徵，就是你可以取得這些權重，在自己的硬體或自己選擇的服務上執行。
這對 Local AI 很重要，因為只有透過雲端 API 使用的模型，權重仍留在服務商的伺服器；你無法把它完整下載到 Mac，在離線環境自行推論。
但是，開放權重本身沒有保證：
- 完整訓練資料也已公開。
- 訓練程式足以重現原始模型。
- 任何人都能不受限制地修改或重新散布。
- 模型一定能在一般個人電腦上執行。
- 你使用的 Runtime 已支援這份權重。
所以「可以下載權重」是一項重要能力，但不是開放程度的全部。
嚴格定義下的開源 AI
Section titled “嚴格定義下的開源 AI”Open Source Initiative（OSI）的 Open Source AI Definition 1.0 把開源 AI 的核心整理成四項自由：使用、研究、修改與分享，而且不必事先取得許可。
要真正行使這些自由，使用者還需要取得適合修改系統的材料。OSI 的定義把它分成三大類：
- 資料資訊： 足以理解訓練資料來源、範圍、取得方式與處理方法的資訊。
- 程式碼： 處理資料、訓練、驗證、評估與執行模型所需的完整程式。
- 參數： 最終模型權重與其他必要設定。
依照這套較嚴格的定義，只釋出模型權重，還不足以證明整個 AI 系統是開源的。
需要登入或接受條款，還算開源嗎？
Section titled “需要登入或接受條款，還算開源嗎？”你可能以為，只要模型的權重對外提供，就能像一般檔案一樣直接下載。實際上，有些模型會先設一道存取程序。以 Hugging Face 上的 Llama 4 為例，模型頁會要求使用者登入、填寫個人與所屬組織的資料，並接受 Llama 4 Community License；完成這些步驟並取得權限後，才能下載模型內容。
Hugging Face 把這類需要申請存取的模型稱為 gated model。有些模型會在使用者分享帳號與電子郵件後自動核准，有些則需要等待作者人工接受或拒絕申請。
這道門檻描述的是檔案如何發放，屬於存取流程。要判斷模型是否開源，還要把它和另一個問題分開來看：
- 存取流程： 你要經過什麼步驟，才能取得模型檔案？
- 授權條款： 取得檔案後，你被允許如何使用、研究、修改與分享？
需要登入或申請，不能單獨證明模型不是開源；反過來說，不必登入也不代表一定開源。即使下載頁面完全公開，授權仍可能限制修改、商業使用或重新散布。判斷時應先看授權給了哪些權利，而不是只看下載按鈕前面有沒有一道門。
回到 Llama 4，它採用的自訂授權除了規定標示與散布方式，也納入 Acceptable Use Policy，並要求特定規模以上的商業服務另外向 Meta 申請授權。因此依照本文採用的嚴格 OSI 定義，較精確的說法是：Llama 4 是採 Meta 社群授權的開放權重模型，不應只因為權重可以下載，就直接推論成開源 AI。
人們說「開源模型」時，可能在說什麼？
Section titled “人們說「開源模型」時，可能在說什麼？”實際閱讀文章或聊天時，「開源模型」常被當作一個寬鬆的總稱，可能指：
| 常見情況 | 實際開放程度 |
|---|---|
| 只能透過 API 使用 | 權重沒有交給使用者，通常屬於封閉模型或託管服務 |
| 公開權重，但需要接受特定條款 | 可以自行執行，使用、修改或散布範圍依條款而定 |
| 公開權重與推論程式 | 比只提供 API 更容易研究與修改，但訓練資料和流程可能仍不完整 |
| 權重、程式碼與充分的資料資訊都開放 | 比較接近 OSI 所描述的開源 AI |
因此在這個網站裡，只要重點是「可以把權重下載回自己的硬體執行」，我們會優先使用比較精確的詞：開放權重模型。
引用其他人的原話時，仍可能保留「開源模型」；但接下來會繼續核對它究竟開放了什麼。
可下載，也不一定能直接使用
Section titled “可下載，也不一定能直接使用”對本機使用者來說，模型是否符合嚴格的開源定義，和它能否在你的 Mac 上執行，是兩個不同問題。
你還需要確認：
- 權重採用什麼格式與精度？
- 檔案多大？量化後多大？
- 模型架構需要多少記憶體？
- LM Studio、Ollama、MLX 或其他 Runtime 是否支援？
- 授權是否允許你的使用方式？
- 模型卡是否說明限制與建議設定？
一個開放程度很完整的模型，仍可能大到無法在個人電腦執行；一個能在筆電上順利執行的模型，也不一定公開了完整訓練資料。
看到「開源模型」時，先問這五題
Section titled “看到「開源模型」時，先問這五題”1. 模型權重可以下載嗎？2. 推論與訓練程式公開到什麼程度？3. 有多少訓練資料資訊可供檢查？4. 授權允許哪些使用、修改與散布方式？5. 我選擇的檔案與 Runtime 能否在自己的硬體執行？不需要先成為授權或機器學習專家。只要開始把「開源」拆成這五個問題，就不會把公開下載、技術透明與使用自由混成同一件事。
下一步，我們先認識最常用來尋找與下載開放權重模型的平台：下載模型，先認識 Hugging Face。
閱讀後自我確認
Section titled “閱讀後自我確認”試著回答以下問題，來確認是否已學會。不確定答案的話，再回到對應段落複習。打勾狀態是方便你在這個頁面一一確認用，不會被儲存。