開源軟體

開源兩個字，在 AI 世界比想像中複雜 講到開源，多數人腦中浮現的是 GitHub 上那棵程式碼樹：任何人 fork、修改、再散布，沒有懸念。但模型不是程式碼。它更像一顆烤好的蛋糕，真正決定風味的是動輒數十億到上千億筆的參數權重，以及背後看不到的訓練資料與流程。於是「開源」在 AI 圈變成一道光譜，而不是一個開關。有人只放出推論用的權重和一份模型卡，有人連訓練腳本都附上，但資料集仍是黑箱；真正能讓第三方完整重建的案例，其實少得可憐。 2024 年 OSI 提出的 Open Source AI Definition，就是想替這條界線畫下刻度：可自由使用、研究、修改、分享，且必須揭露足夠的訓練資料資訊。不過在實務現場，廠商與使用者口中的「開源模型」，大多指的是權重可下載、授權允許商用與微調的開放權重模型（open-weight model）。先把這個詞分清楚，後面很多爭議讀起來就順了。 檯面上的幾個關鍵名字 這幾年開源模型的地景變化極快。Meta 的 Llama 系列大概是讓風向徹底轉變的那一根槓桿，從學術圈的小玩具一路長到能與商用模型正面對打；Mistral 以效率與歐洲血統打出名號；Google 的 Gemma 把自家研究成果壓縮成可在單張顯卡上運行的尺寸；微軟的 Phi 系列則證明「小模型加上高品質資料」可以在推理題目上跑出漂亮成績。 真正把牌桌掀翻的是 DeepSeek。混合專家（MoE）架構、極低的訓練成本、加上寬鬆的 MIT 授權，讓它在 2025 年初成為全球下載榜上的常客；後續的 R1 更把強化學習與推理能力的話題推向高峰，還順手釋出了一批蒸餾後的小模型，讓資源有限的團隊也能玩得起。阿里雲的 Qwen 家族同樣是社群寵兒，尺寸齊全、多語支援扎實，在中文場景的表現尤其受青睞。 台灣這邊也沒有缺席。國科會推動的 TAIDE、聯發科研究團隊的 Breeze 系列，都是站在開源基礎上補上繁體中文與台灣知識的嘗試。這類「用開源為在地語言續命」的做法，正是開放權重最現實的價值之一。 授權條款才是真正的門檻 模型能不能下載是一回事，能不能拿去賺錢是另一回事。實務上最常卡關的不是技術，而是授權。 授權型態 代表模型 特性 Apache 2.0／MIT Qwen、DeepSeek、Phi、Mistral 7B 商用寬鬆，幾乎沒有附加條件 社群自訂授權 Llama 系列、Gemma 可商用，但附使用政策、可接受使用條款與月活躍用戶門檻 研究用／專屬授權 部分 Mistral 大型模型 商用需另外洽談 對新創與中小企業來說，Apache 2.0 與 MIT 幾乎是無痛選擇；社群授權則要睜大眼睛讀完附件，特別是「不得用模型輸出訓練其他模型」和活躍用戶數的條款。更別忘了授權可以改——過去幾年已經有廠商把原本開放的模型轉向封閉或改採較嚴格的條款。把授權風險寫進技術架構的評估清單，是負責任的做法，而不是杞人憂天。 生態圈往往比模型本身更關鍵 單看跑分，開源模型與閉源旗艦之間仍有距離，但真正拉開實用性差距的，是周邊工具鏈的成熟度。Hugging Face 已經成為模型與資料的集散地；Ollama 把下載到本機執行的流程壓縮成一行指令；llama.cpp 與 GGUF 量化格式讓一台筆電也能跑起中型模型；vLLM 則解決了高併發服務的吞吐問題。 ...