Percona 行政總裁 Peter Zaitsev 於 2026 年 10 月 8 日發表公開信，針對 AI 領域日益模糊的「開放權重」與「開放源碼」概念劃清界限。他強調：釋出模型權重（開放權重）≠ 開放源碼，混淆兩者會誤導用戶、稀釋開源定義、削弱社群治理。
核心區別：權重 vs 源碼
- 開放權重：僅發布訓練完成的模型參數檔案（.safetensors, .bin, .gguf），通常伴隨許可證限制商業用途、衍生模型、蒸餾。用戶獲得的是「黑盒」推理能力，無法理解、修改、審計訓練過程。
- 開放源碼：依照 OSI 開源定義，包含完整源碼（訓練腳本、數據處理管線、模型架構實現）、訓練數據集（或可復現的數據獲取腳本）、超參數配置、評測腳本、文檔。採用 OSI 認證許可證（Apache-2.0, MIT, BSD 等），保障使用、研究、修改、分發自由。
為什麼這很重要
- 可審計性：開放源碼允許第三方驗證訓練數據是否包含版權內容、個人隱私、偏見來源；開放權重無法追溯數據血統。
- 可修改性：真正的開源讓社群能修復 Bug、優化架構、適配硬體、延續維護；權重釋出者停止維護後，模型實際上成為廢棄軟體。
- 許可證合規：許多「開放權重」模型使用自定義限制性許可證（如 Llama 社區許可、Qwen 許可），實質上是「源碼可見但非開源」，與 OSI 定義背道而馳。
- 供應鏈安全：企業採用開源軟體可構建可信供應鏈（SBOM、簽名、可復現構建）；權重二進位檔無法驗證是否植入後門、投毒樣本。
行業現狀與誤導
Zaitsev 指出，Meta (Llama)、阿里雲 (Qwen)、Mistral、Z.ai (GLM)、DeepSeek 等廠商發布模型時，常在標題、營銷材料中使用「開源」一詞，實則僅釋出權重。這造成：決策者誤以為擁有完整控制權、合規團隊按開源流程審核卻發現許可證限制、社群貢獻者期待參與協作卻發現無源碼可改。
Percona 的立場與建議
作為開源數據庫領域的領導者，Percona 呼籲：
- 媒體、分析師、決策者精確使用術語：「開放權重模型」而非「開源模型」
- 模型發布方在 README、Model Card、Hugging Face 標籤中明確標註許可證類型，勿使用 OSI 專屬標識
- 推動建立「開放權重」專屬分類標準，區別於 OSI 開源定義
- 企業採購 AI 模型時，將「源碼可用性」列為獨立評估維度
開源定義的演進挑戰
OSI 正在推進「開源 AI 定義」（OSAID），試圖將開源原則延伸至 AI 系統（數據、模型、權重、推理引擎）。Zaitsev 支持這項工作，但強調：在正式定義出台前，不應預先稀釋現有開源定義。真正的開源 AI 需要：訓練數據開放、源碼開放、權重開放、許可證符合 OSD——缺一不可。