## Modele open-weight

*Wybór modelu*

*Ostatnia zmiana: 28 września 2026*

Open-weight znaczy: możesz pobrać wagi, czyli wyuczone macierze modelu, i uruchomić go na własnym sprzęcie. To nie to samo co open-source: zwykle nie dostajesz danych ani kodu treningu, a licencja może ograniczać użycie.

**Po ludzku:** Zamknięty model to restauracja: jesz, co podadzą, i nie zajrzysz do kuchni. Open-weight to gotowe danie na wynos: podgrzejesz i doprawisz u siebie, ale przepisu nie znasz. Open-source to danie razem z przepisem.

*Interaktywny widżet na stronie: Przełącz rodzaj modelu i zobacz, co dostajesz w paczce i co z tego wynika.*

### Co dostajesz, a czego nie

- Wagi, kod inferencji i tokenizer wystarczą, żeby model uruchomić, skwantyzować i dotrenować, na przykład metodą LoRA (zobacz „Fine-tuning i LoRA”). Nie wystarczą, żeby go odtworzyć albo sprawdzić, na czym się uczył.
- Definicja Open Source AI od OSI (wersja 1.0 z 2024 roku) wymaga wag, pełnego kodu treningu i uruchamiania oraz opisu danych na tyle szczegółowego, żeby kompetentna osoba mogła zbudować podobny system, wszystko na warunkach zatwierdzonych przez OSI: użycie w dowolnym celu bez pytania o zgodę. Samych danych publikować nie trzeba, ale publiczne i zewnętrzne dane treningowe trzeba wymienić i wskazać, skąd je wziąć. Spełnia to niewiele modeli, np. OLMo od Ai2; licencje z ograniczeniami użycia, jak licencja Llama, odpadają już przez same warunki.
- Licencje różnią się mocno. Apache 2.0 i MIT (np. gpt-oss, Qwen3, DeepSeek-R1) pozwalają prawie na wszystko. Licencje Llama (3.1 i 4) wymagają osobnej zgody Mety, jeśli w dniu premiery modelu twoje produkty miały ponad 700 mln aktywnych użytkowników miesięcznie, oraz oznaczenia „Built with Llama”. Dla modeli multimodalnych (Llama 3.2 Vision, Llama 4 Scout i Maverick) polityka dopuszczalnego użycia w ogóle nie udziela licencji osobom mieszkającym w UE ani firmom z siedzibą w UE; nie dotyczy to końcowych użytkowników produktu zbudowanego na takim modelu.

### Po co firmom self-hosting

- Dane nie opuszczają twojej infrastruktury: własna chmura, serwerownia, nawet sieć bez dostępu do internetu. W branżach regulowanych to bywa jedyna dopuszczalna droga.
- Wersja jest zamrożona: nikt nie podmieni wag, ustawień ani stosu serwującego bez twojej wiedzy (zobacz „Czy model głupieje?”). To działa tylko wtedy, gdy hostujesz sam.
- Pełna kontrola nad modelem i inferencją: fine-tuning, własna kwantyzacja, dostęp do logitów, dowolne wymuszanie formatu, brak limitów zapytań narzuconych przez dostawcę.

*Interaktywny widżet na stronie: Ustaw cenę API, koszt węzła, miesięczny wolumen i to, ile obsłuży jeden węzeł. Zobacz, od jakiego obciążenia własne GPU zaczynają się opłacać.*

### Koszt self-hostingu i pułapki

- Węzeł kosztuje tyle samo przy 5% i przy 90% obciążenia, a ruch ma szczyty i doliny. Realne średnie obciążenie jest dużo niższe niż 100%, więc liczysz koszt przy nim, nie przy pełnym. Do tego ludzie: serwowanie (vLLM, SGLang), monitoring, aktualizacje, bezpieczeństwo. Wagi ładujesz jako safetensors, od zaufanego wydawcy i z przypiętą rewizją: checkpoint w formacie pickle może przy wczytaniu uruchomić kod, a `trust_remote_code` uruchamia Pythona z repozytorium na twoich serwerach.
- Trzecia droga to ten sam otwarty model z API zewnętrznego hosta: bez własnych GPU i zwykle taniej niż zamknięta czołówka. Dane znów wychodzą na zewnątrz, a host może zmienić kwantyzację albo stos serwujący.
- Ten sam model u różnych hostów działa różnie: inna kwantyzacja, inny szablon czatu, inna obsługa tool callingu i długiego kontekstu. Moonshot zmierzył to dla Kimi K2 (listopad 2025): poprawność schematu wywołań narzędzi od 100% w oficjalnym API do 72% u jednego z hostów, przez nieaktualne wersje silnika, błędne identyfikatory wywołań i brak wymuszania formatu. Testujesz konkretny endpoint własnym zestawem ewaluacyjnym, nie nazwę modelu (zobacz „Ewaluacje” i „LLM na produkcji”).
- W najtrudniejszych zadaniach zamknięta czołówka zwykle wyprzedza modele otwarte. Różnica bywa mała i zmienia się z każdym wydaniem, więc rozstrzyga pomiar na twoim zadaniu, nie ranking.

### Sprawdź się

**Pytanie:** Open-weight a open-source: jaka różnica i kiedy self-hostować?

**Krótka odpowiedź:** Open-weight znaczy, że można pobrać wagi i uruchomić model u siebie. Open-source według definicji OSI wymaga też kodu treningu, szczegółowego opisu danych i warunków bez ograniczeń użycia, a to rzadkość; licencje wag często ograniczają użycie, np. skalą albo regionem. Self-hosting daje kontrolę: dane zostają w firmie, wersja się nie zmienia, można dotrenować i skwantyzować. Płacisz za GPU i ludzi, a węzeł kosztuje tyle samo pusty i pełny, więc to się opłaca przy dużym, stałym ruchu albo twardych wymaganiach regulacyjnych. Pośrednia droga to otwarty model u zewnętrznego hosta.

### Pytania pogłębiające

- **Co sprawdzasz w licencji?** Użycie komercyjne, progi skali (np. 700 mln aktywnych użytkowników miesięcznie w Llama), ograniczenia geograficzne (Meta nie udziela licencji na multimodalne modele Llama osobom mieszkającym w UE ani firmom z siedzibą w UE), listę zakazanych zastosowań, warunki dla modeli pochodnych i trenowania innych modeli na wynikach oraz wymogi atrybucji.
- **Jak porównać hosta otwartego modelu z oryginałem?** Tym samym zestawem ewaluacyjnym na konkretnym endpoincie, z naciskiem na tool calling, wymuszanie formatu i długi kontekst, bo tam różnice w kwantyzacji i szablonie czatu wychodzą najpierw. Zapisujesz też, jaką kwantyzację i wersję host deklaruje.
- **Kiedy odradzisz self-hosting mimo niższej ceny za token?** Gdy ruch jest nieregularny i węzeł przez większość czasu stoi pusty, gdy zespół nie ma ludzi do utrzymania serwowania albo gdy zadanie wymaga jakości czołowego modelu zamkniętego. Koszt liczysz przy realnym średnim obciążeniu, nie przy 100%.
- **Klient wymaga, żeby dane nie opuszczały UE. Jakie masz opcje?** Model zamknięty u dostawcy chmury w regionie UE z umową powierzenia przetwarzania danych, otwarty model u hosta w UE albo self-hosting. Wybór zależy od tego, czy wystarczy umowa i region, czy wymagana jest pełna kontrola nad infrastrukturą.

### Źródła

- [Open Source Initiative: The Open Source AI Definition 1.0](https://opensource.org/ai/open-source-ai-definition)
- [Meta: licencja Llama 4](https://github.com/meta-llama/llama-models/blob/main/models/llama4/LICENSE)
- [Meta: polityka dopuszczalnego użycia Llama 4](https://github.com/meta-llama/llama-models/blob/main/models/llama4/USE_POLICY.md)
- [Moonshot AI: K2 Vendor Verifier (różnice między hostami)](https://github.com/MoonshotAI/K2-Vendor-Verifier)
- [Ai2: OLMo, w pełni otwarty model](https://allenai.org/olmo)

Strona interaktywna: https://howaiworks.dev/pl/openweight/