市面上那么多大模型，有的免费给你随便用，有的按字数收钱还死贵。同样是AI，为什么差别这么大？
核心就两个字：开源和闭源。
开源模型是什么？
开源模型，简单说就是模型权重文件公开可下载，你想怎么用就怎么用。要理解这句话的分量，得先搞清楚模型权重到底是什么。
先说模型权重
大模型的本质是一个巨大的数学函数。这个函数有几百亿甚至上千亿个参数，每个参数就是一个浮点数（比如 0.37461987 或 -1.28375729）。这些参数合起来，就是这个模型学到的全部"知识"和"能力"。
训练一个模型，本质上就是在不断调整这几百亿个浮点数的值，让它们组合起来能够更准确地预测下一个词是什么。
训练完成后，这堆浮点数被保存成文件——这个文件就是权重文件。在 Llama 3.1 405B 的案例中，这个文件有 800 多 GB，包含 4050 亿个浮点数。
权重文件之于大模型，就像大脑突触连接之于人的智力。没有权重文件，模型就是一个空壳架子；有了权重文件，模型才真正具备能力。
开源的真正价值
Meta 开源 Llama 时，做的不是"公布代码"或"发篇论文"，而是直接把这 800GB 的权重文件挂到了网上。任何人都可以下载、在自己的机器上运行、基于它做二次开发。
这在以前是不可想象的。GPT-4 的权重是 OpenAI 的核心资产，比可口可乐的配方还保密。你永远看不到它内部参数的数值，只能通过 API 发请求、收结果——中间完全是个黑盒。
类比一下：
闭源就像你去喜茶柜台： 你说"来杯芝芝莓莓"，店员递给你一杯成品，你喝到是什么就是什么。你不知道茶底怎么泡的、奶盖用了什么配方、糖浆的比例是多少。
开源就像喜茶公布了完整配方： 草莓用什么品种、茶底泡多久、奶盖的奶油和芝士比例是 7:3、糖度怎么调——全部公开。你可以在家按步骤复刻，也可以根据自己的口味调整配方，甚至可以开一家自己的奶茶店。
2023年2月，Meta 发布 Llama 2，就是这么一记重锤。消息一出，整个 AI 圈炸了。
代表选手：
- Llama系列（Meta）——开源模型的标杆
- DeepSeek（深度求索）——中国开源模型的骄傲，数学推理能力惊人
- Qwen（阿里千问）——中文开源模型的实力派
- Mistral（法国团队）——小模型大能力，7B参数量打平13B
闭源模型是什么？
闭源模型正好相反——权重不公开，只能通过API调用。你永远不知道它内部长什么样，就像喜茶不告诉你配方。
你用GPT-4，不是"拥有"GPT-4，而是"租用"GPT-4的能力。每次对话，OpenAI的服务器在跑，你只是发请求、收结果。
代表选手：
- GPT-4o（OpenAI）——全能型选手
- Claude 3.5 Sonnet（Anthropic）——长文本和代码能力一流
- Gemini（Google）——多模态能力强悍
- 文心一言（百度）——国内生态绑定的选择
开源好还是闭源好？
这是个经典问题。我直接给你一张对比表：
| 维度 | 开源模型 | 闭源模型 |
|---|---|---|
| 成本 | 免费下载，电费就是成本 | 按Token收费，量大肉疼 |
| 效果 | 目前略逊于顶级闭源 | GPT-4o、Claude领先 |
| 可控性 | 完全控制，想怎么改都行 | 完全黑盒，改不了 |
| 隐私 | 数据不出门，安全 | 数据要上传到对方服务器 |
| 部署难度 | 需要技术能力和GPU | 一行代码搞定 |
| 更新维护 | 自己管 | 厂家管，躺平就行 |
| 社区生态 | 活跃，HuggingFace上几万个变体 | 没有，接口就一个 |
什么场景选开源？
场景一：你在做严肃的商业应用
如果你的产品核心流程依赖AI对话，选开源。原因很简单：可控。
用闭源API，厂商改个定价策略、升级个版本、甚至直接关停服务，你一点办法没有。用开源模型，代码在你手里，想怎么部署都行。
很多金融、医疗、政务场景强制要求模型私有化部署，必须用开源。
场景二：你在做AI研究
想搞模型微调？想做RLHF实验？想看看注意力机制到底怎么回事？闭源模型啥也干不了，必须用开源的。
场景三：你刚起步，不想烧钱
每天几百万次调用，用GPT-4o一年烧掉几十万很正常。用Llama 3.1自己部署，成本能压到十分之一甚至更低。
什么场景选闭源？
场景一：效果优先，预算充足
说实话，GPT-4o和Claude 3.5的写代码、写文案、推理能力目前确实比开源模型强。如果你的场景特别看重输出质量，而且客户愿意买单，用闭源没毛病。
场景二：你没有GPU
这是一个很现实的问题。训练和运行大模型需要高端GPU（A100、H100），一张卡几万块钱，不是谁都能买的。用闭源API，你只需要一个网络请求，省去硬件投入。
场景三：你要快速验证产品
创业初期，先接闭源API跑通产品逻辑，等模式验证了再换开源自己部署，这是最务实的路径。
开源和闭源的对决真的公平吗？
这里有个很多人忽略的事实：开源模型展示的benchmark分数，通常是用钞能力跑出来的。 一个7B模型能打平GPT-3.5，但那是团队用几百张GPU全力优化后的结果。你自己部署同样的模型，没有那个优化力量，效果会打折扣。
反过来，闭源厂商也在持续进化。GPT-4o发布后不到一年就迭代了好几个版本，速度和性价比大幅提升。而开源模型你下载的是一个固定版本，等下一个大版本可能要半年。
现在的格局
截至2025年，格局基本清晰：
- 能力天花板：闭源依然领先，但差距在缩小
- 成本效率：开源大幅领先，尤其是大规模部署时
- 生态丰富度：开源完胜，HuggingFace上100万+模型
- 开发者友好：闭源胜出，调用简单不操心
最值得关注的趋势：开源模型追赶的速度在加快。Llama 3.1 405B已经在很多基准上逼近GPT-4o，DeepSeek V3在某些数学任务上甚至超越了GPT-4。按照这个速度，一到两年内开源模型全面追平闭源是完全可能的。
我的建议
如果你问"该用哪个"，我的回答是：不要二选一，搞混合架构。
核心业务、隐私敏感、高频调用 → 开源模型本地部署 复杂推理、创意写作、低频但高质量要求 → 闭源API调用 两边同时跑，A/B测试看效果，这才是大厂的做法。
开源和闭源从来不是非此即彼的选择，而是一张牌桌上的两种打法。打得好的人，两手都在用。
📖 本文是MST「30天AI科普专栏」第3篇 / 共25篇 🔖 分类：基础认知 关注MST，每天一个AI小知识，把大模型讲明白。