Open Weights (открытые веса)

Open weights («открытые веса») — это публикация обученных весов модели, то есть числовых параметров, которые, по определению NIST, помогают определять её ответы. Для практика это обычно означает, что модель можно скачать и запускать вне чужого API. Но это не то же самое, что open-source AI: по определению OSI одних весов недостаточно, нужны также архитектура, сведения о данных и код, использованный для получения параметров.

Если нужен короткий вывод: open weights — это формат доступа к модели, а не автоматический признак полной открытости разработки. Такой формат полезен для локального запуска и адаптации, но не гарантирует полной воспроизводимости обучения, прозрачности датасетов и статуса open source в строгом смысле.

Английский термин: open weights. Также встречается: open-weight model, «открытые веса модели». В документации и маркетинговых материалах иногда используют слова open model или даже open source шире и менее строго; OECD отдельно отмечает, что эти термины употребляются непоследовательно, а OSI проводит более жёсткую границу. В этой статье используется именно трактовка OSI по состоянию на 2026-08-13.

Простыми словами

Грубо говоря, open weights можно представить как уже настроенный музыкальный инструмент, который вам отдают в руки. Вы можете на нём играть, переносить его к себе, встраивать в свой процесс и проверять, как он звучит на ваших задачах.

Но вам не обязательно отдают всё остальное: как именно инструмент делали, из каких материалов, какие промежуточные версии были неудачными и по каким правилам шла настройка. Именно поэтому «открытые веса» и «открытый исходный ИИ» — не одно и то же.

Как это работает

Технически вес модели (model weight) — это числовой параметр внутри модели. Во время обучения такие параметры многократно обновляются, чтобы модель лучше предсказывала следующий токен, класс, действие или другой целевой результат. Когда вендор или лаборатория публикует веса, они фактически выкладывают результат этого обучения в форме готового набора параметров.

Данные + код обучения + архитектура
            ↓
      процесс обучения
            ↓
  получаются параметры модели
            ↓
   публикуются open weights
            ↓
вы скачиваете и запускаете модель локально
или через стороннюю инфраструктуру

Что может не публиковаться вместе с весами:
- сведения о данных обучения
- training code
- checkpoints
- полная история обучения

1. Выбирается архитектура. Это схема самой модели: как устроены её слои и вычисления.
2. Модель обучается. В ходе обучения меняются веса — те самые числовые параметры из определения NIST.
3. Публикуются веса. Пользователь получает не «идею модели», а уже обучённое состояние, пригодное для запуска.
4. Запуск переносится к вам. Вы можете развернуть модель локально или в своей инфраструктуре, если это разрешают лицензия и политика использования.
5. Но комплект может быть неполным. OSI отдельно подчёркивает: если отсутствуют сведения о данных и коде, этого недостаточно для статуса open-source AI.

Из-за этого один и тот же релиз может быть очень удобен для эксплуатации, но менее удобен для аудита, воспроизводимости и независимой проверки происхождения модели.

Где применяется

• Локальный запуск и self-hosting. Это самый очевидный сценарий. Например, OpenAI прямо пишет, что модели gpt-oss не доступны через OpenAI API и не доступны в ChatGPT, то есть их использование предполагает собственный или сторонний хостинг.
• Адаптация под внутренние задачи. Литература об open-sourcing foundation models рассматривает открытый доступ к архитектуре и весам как способ адаптировать модель под свои условия, ограничения и цели.
• Работа в средах с ограниченными ресурсами или требованиями к контролю. Отдельные исследования рассматривают open-weight модели как практически полезный вариант даже в low-resource settings, где важны переносимость и локальный контроль над запуском.
• Мультимодальные сценарии. Meta на своей странице Open Source AI называет Llama 4 Scout и Llama 4 Maverick первыми open-weight нативно мультимодальными моделями, то есть open-weight подход применяется не только к текстовым системам.

Практический пример

Ниже — не абстрактная схема, а типичный сценарий, по которому команда проверяет, подходит ли ей open-weight релиз на примере OpenAI gpt-oss.

1. Сначала уточняется формат доступа. Если вам нужна модель именно через OpenAI API или внутри ChatGPT, gpt-oss не подойдёт: OpenAI отдельно указывает, что эти модели там недоступны.
2. Затем читается model card. Для gpt-oss-120b и gpt-oss-20b OpenAI указывает дату публикации 2025-08-05 и описывает их как open-weight reasoning models, выпущенные под Apache 2.0 плюс usage policy.
3. После этого проверяется технический путь запуска. Официальный репозиторий OpenAI описывает скачивание весов через Hugging Face CLI.
4. Сверяется среда. В README указаны требования Linux/CUDA для поддерживаемого локального запуска, а Windows помечен как не тестировавшийся.
5. Отдельно оцениваются права и границы использования. Даже если веса доступны публично, нужно проверить лицензию, usage policy и возможные ограничения на официальной странице перед внедрением.

Практический смысл этого сценария простой: open weights дают вам больше контроля над тем, где и как модель выполняется, но часть операционной ответственности переходит к вам. Если вы хотите разворачивать такие модели самостоятельно, полезно свериться с материалом Как развернуть open-source LLM на сервере.

Чем отличается от…

Если вам нужно более широкое сравнение режимов доступа, посмотрите материал Open-source vs closed модели.

Ограничения и заблуждения

• Заблуждение: «открытые веса = open source». По OSI это неверно. Публикации одних весов недостаточно, если нет сведений о данных и кода, использованного для получения параметров.
• Заблуждение: «если можно скачать, значит можно всё». Публичная доступность не отменяет лицензию, usage policy, региональные ограничения и правила конкретного поставщика.
• Ограничение воспроизводимости. Если не опубликованы checkpoints, код обучения и сведения о данных, вы можете запускать модель, но не обязаны уметь независимо воспроизвести путь её получения.
• Ограничение терминологии. У разных организаций «open weight» и «open source» значат разное. В практической работе лучше не доверять одному только ярлыку, а смотреть на комплект материалов релиза.
• Ограничение безопасности и управления. Исследования об open-sourcing foundation models и более поздняя литература рассматривают это как компромисс: открытые веса полезны для адаптации и контроля, но одновременно поднимают вопросы misuse, governance и alignment.

Практический вердикт редакции: считайте open weights способом получить модель к себе, а не доказательством того, что перед вами полностью открытая и воспроизводимая система. Если для вашей команды критичны аудит происхождения модели и строгая открытость, проверяйте релиз по критериям OSI, а не по маркетинговому слову open.

Если вас интересует именно управляемость и безопасное поведение моделей после выпуска, дальше логично перейти к термину Alignment (согласование ИИ).

Связанные термины и инструменты

• Open-source vs closed модели — чтобы не смешивать open weights с более широкими режимами доступа.
• Как развернуть open-source LLM на сервере — если после чтения вы планируете self-hosting.
• Лучшие open-source LLM: что выбрать для локального запуска, русского языка и кода — для выбора семейства моделей под задачу.
• Alignment (согласование ИИ) — о том, как обсуждают безопасность и контроль поведения моделей.

Источники

• OSAID FAQs – Open Source Initiative
• Glossary | National Telecommunications and Information Administration
• Open models by OpenAI | OpenAI
• Releases · openai/gpt-oss · GitHub
• Introducing Llama 3.1: Our most capable models to date

• The Open Source AI Definition – 1.0 – Open Source Initiative
• Open Weights: not quite what you’ve been told – Open Source Initiative
• model weight – Glossary | CSRC
• gpt-oss-120b & gpt-oss-20b Model Card | OpenAI
• OpenAI open-weight models (gpt-oss) | OpenAI Help Center
• gpt-oss/README.md at main · openai/gpt-oss · GitHub
• Open Source AI
• Open-Sourcing Highly Capable Foundation Models: An evaluation of risks, benefits, and alternative methods for pursuing open-source objectives
• Laboratory-Scale AI: Open-Weight Models are Competitive with ChatGPT Even in Low-Resource Settings
• The Open-Weight Paradox: Why Restricting Access to AI Models May Undermine the Safety It Seeks to Protect
• Enablers, guardrails and engagement for unlocking trustworthy AI: Governing with Artificial Intelligence | OECD

Вопросы и ответы

Open weights и open-source AI — это одно и то же?

Нет. В строгой трактовке OSI открытые веса — это только часть картины. Для статуса open-source AI нужны также архитектура, сведения о данных и код, использованный для получения параметров.

Значит ли open weights, что модель можно запускать локально?

Часто да, именно в этом и практический смысл такого релиза. Но конкретные шаги, поддерживаемые платформы и ограничения зависят от документации конкретной модели. Например, README для gpt-oss описывает локальный запуск с требованиями Linux/CUDA и отдельно отмечает, что Windows не тестировался.

Если веса опубликованы, можно ли воспроизвести обучение модели с нуля?

Не обязательно. OSI отдельно отмечает, что публикации одних весов недостаточно: без сведений о данных, training code и других материалов вы можете запускать модель, но не обязаны уметь повторить её обучение.

Почему вокруг open weights так много споров?

Потому что это одновременно инженерно полезный и политически чувствительный формат. Он даёт больше контроля, локальный запуск и адаптацию, но также вызывает вопросы о misuse, governance и том, какие материалы нужно раскрывать для реальной открытости.