GPT, Llama, DeepSeek: в чём разница между моделями У современных больших языковых моделей есть важное различие, которое часто теряется за словом «открытый». Fast Company предлагает разделять модели на три категории: проприетарные, модели с открытыми весами и модели с открытым исходным кодом. Проприетарная модель принадлежит конкретной организации, а её исходный код, параметры модели и данные обучения закрыты. Пользователь обычно получает доступ к ней через облачный сервис или API. К этому классу относятся, например, GPT, Claude и Gemini. Это означает удобство использования через готовую инфраструктуру, но пользователь не контролирует саму модель и не может независимо проверить, как она была создана. Модель с открытыми весами (open weight) позволяет скачать её обученные параметры - веса. Их можно запустить на собственном компьютере или сервере, а в некоторых случаях дообучить под свои задачи. Среди известных примеров Fast Company называет Llama, DeepSeek, Kimi и Qwen. Это может иметь практическое значение для приватности: при локальном запуске данные не обязательно передавать оператору облачного сервиса. Но появляются другие расходы - нужны собственные вычислительные ресурсы, настройка и обслуживание инфраструктуры. Кроме того, доступность весов сама по себе не раскрывает, на каких данных и каким именно способом модель обучалась. Open source AI (открытый исходный код ИИ) - более строгое понятие. Согласно определению Open Source Initiative, для полноценной открытости должны быть доступны не только параметры модели, но и исходный код, необходимый для её обучения и запуска, а также информация о данных, использованных для получения параметров. Пользователь должен иметь возможность использовать, изучать, изменять и распространять систему на соответствующих условиях. Поэтому файл с весами, который можно скачать с сайта разработчика, ещё не превращает модель в open source. Ограничительная лицензия также может существенно менять возможности её использования, модификации и распространения. Разница особенно важна для проверяемости ИИ. Если доступны только веса, внешний исследователь видит результат обучения, но не весь процесс его получения. При большей открытости можно изучать архитектуру, код обучения и обработки данных и воспроизводить или изменять отдельные этапы системы. Именно поэтому OSI связывает открытость ИИ не просто с возможностью скачать модель, а со свободами использования, изучения, изменения и распространения. При этом статья Fast Company использует деление на три категории как удобную практическую схему. В реальности граница между ними может быть сложнее: отдельные компоненты модели, лицензии, код, данные и веса могут иметь разный уровень доступности. Сам термин «open source AI» поэтому требует проверки конкретной лицензии и состава опубликованных материалов, а не только заявления разработчика.