一家深圳的创业公司，上线了一个两年前还得先打电话跟美国云厂商谈授权的产品。支撑它的模型，从没离开过他们的办公楼。他们把它下载下来，装进自己的服务器，然后关掉了每月的 API 账单。
这种转变有个名字：开源权重。实验室把训练好的大模型参数公开发布，任何人都能运行、微调或自己托管。它和「开源」不是一回事——通常只发布权重，不发布训练代码或数据——但实际效果很大。有史以来，可以自由下载的模型，第一次站到了过去专属闭源接口的质量前沿。
一个大模型，定义它的就是权重——训练期间学到的那几十亿个数字。闭源实验室把这些权重藏在付费接口后面。开源权重实验室则通过 Hugging Face 之类平台把它们公开，许可证允许下载、微调和带条件商业使用。
与「开源」的区别很关键。按通常定义，真正的开源还包括训练代码、数据集和配方，大多数开源权重发布做不到。比如 Llama 的社区许可证比闭源接口宽松得多，但在一定规模以上仍有限制。这个细微差别很容易在营销话术里被抹掉。换句话说，开源权重把「能不能用最强模型」从一个预算问题，变成了工程问题。对资源有限的组织，这往往是生死线。
里程碑时刻出现在 2024 年 7 月。Meta 发布 Llama 3.1 405B——一个 4050 亿参数的稠密模型，12.8 万 token 上下文，用超过 15 万亿 token、1.6 万多块 H100 显卡训练而成。Meta 称它是首个「前沿级」公开可用模型，并披露 Llama 家族到 2024 年中下载量已超 3 亿次。第一次，一个开源权重模型在知识、数学和工具调用上，能与 GPT-4o、Claude 3.5 Sonnet 正面竞争，而不是落后一代。
中国实验室在这股潮流里处于中心位置。DeepSeek 在 2024 年 12 月以开源权重条款发布 V3——一个 6710 亿参数的混合专家模型，每 token 激活 370 亿参数；2025 年 1 月又推出 R1 推理模型，采用 MIT 许可证。两者都能下载到本地运行。DeepSeek 通过接口提供 V3，输入约每百万 token 0.27 美元（缓存未命中），输出每百万 token 1.10 美元，但开源权重意味着一个团队可以完全绕过接口。在受监管行业，模型权重公开的意义尤其大——组织能自己决定数据流向，而不是交给外部云。
对普通人这意味着什么？大多数人永远不会去下载 4050 亿参数的模型。但开源权重塑造着他们每天用的产品。自托管让公司把客户数据留在自家基础设施，而不是发给第三方。创业公司在免费权重上搭建，而不必把利润押在别家接口定价上。研究者能检视权重来审计偏见与安全。而开源模型的竞争，也给闭源模型的价格施加了下行压力。还有一个韧性角度：权重公开后，模型不会悄悄消失在涨价或停服之后，下载下来的模型会一直能用。
更深一层的变化在人才和创业侧。过去要做一家模型公司，几乎等于先谈下大厂接口、再赌融资；现在一个小团队下载权重、自购几张显卡就能起步，产品迭代速度取决于自己的工程能力，而非别家的配额。这种结构性的门槛下移，可能比任何单一榜单更能解释近两年中国大模型创业的密度。
普通人现在能做什么
1. 如果你经手敏感数据，问供应商他们的系统跑在你自己的基础设施上还是第三方接口——开源权重让自托管成为可能。
2. 开发者可以先在开源权重上做原型（如 DeepSeek-V3/R1、Llama 3.1），再决定是否付费接接口。
3. 把「开放」和「开源」当作不同的说法；上线产品前先读许可证。
诚实的局限
开源权重不是免费午餐。跑 4050 亿或 6710 亿参数的模型需要相当硬的硬件——往往多块服务器级显卡和大内存——或者一个同样要花钱的托管端点。许可证会在规模上限制商业使用。质量虽然提升，但并不均衡：开源模型在部分任务上仍落后于最顶尖的闭源系统，而「开放」并不说明一个模型是否安全或没有偏见。权重可检视，但检视它们需要大多数用户不具备的专业能力。