وقتی شرکتی اجازه میدهد وزنهای یک مدل را دانلود کنیم و آن را روی سیستم خودمان اجرا کنیم، بهراحتی ممکن است تصور کنیم با یک مدل کاملاً متنباز روبهرو هستیم؛ اما ماجرا به این سادگی نیست.
مدل هوش مصنوعی فقط مجموعهای از وزنها نیست. دادههای آموزشی، کد و تنظیمات آموزش و شیوهی پردازش دادهها هم بخشی از فرایندی هستند که محصول نهایی را میسازند. به همین دلیل، مدلی که وزنهایش آزادانه منتشر شده، ممکن است همچنان بخش مهمی از دستور ساخت خود را پنهان نگه داشته باشد.
اینجاست که تفاوت «متنباز» و «وزنباز» اهمیت پیدا میکند. بسیاری از مدلهای مشهوری که در گفتگوهای روزمره متنباز خطاب میشوند، در واقع وزنباز هستند و نه متن باز! تفاوت این دو شاید در نگاه اول بازی با کلمات بهنظر برسد، اما وقتی پای شفافیت، امکان بازتولید مدل، ممیزی علمی و استقلال از شرکت سازنده وسط باشد، اهمیتش کاملاً مشخص میشود.
- فرق مدلهای هوش مصنوعی متن باز و وزن باز چیست؟چرا وزنباز و متنباز با هم اشتباه گرفته میشوند؟کدام مدلهای هوش مصنوعی متنباز و کدامها وزنباز هستند؟آیا فقط وزنباز بودن چیز بدی است؟سه سؤال برای تشخیص یک مدل متنباز
در ادامه به کمک یک قابلمه قرمهسبزی میبینیم این دو مفهوم دقیقاً چه فرقی دارند و چطور میتوان با چند سؤال ساده آنها را از هم تشخیص داد.
فرق مدلهای هوش مصنوعی متن باز و وزن باز چیست؟
فرض کنید از یک رستوران چند پرس قرمهسبزی آماده میخرید. میتوانید آن را در آشپزخانهی خودتان سرو کنید، گرمش کنید یا با کمی آبلیمو و ادویه طعم آن را تغییر دهید؛ اما چون دستور پخت اصلی را ندارید؛ نمیدانید غذا دقیقاً با چه مواد اولیهای، با چه نسبتهایی و طی چه مراحلی آماده شده است. مدلهای وزنباز (Open Weights) تقریباً چنین وضعیتی دارند.
در مدلهای Open Weights میتوانید وزنهای مدل را دانلود کنید
آنچه دانلود میکنید «وزنهای مدل» است. با داشتن وزنها میتوانید مدل را روی سختافزار خودتان اجرا کنید و در بسیاری از موارد با Fine-tuning یا روشهای دیگر آن را برای کاربرد خاصی شخصیسازی کنید.
وزنها میلیاردها یا حتی تریلیونها عدد هستند که مدل در جریان آموزش یاد میگیرد و بخش بزرگی از دانش و رفتار آن را شکل میدهند. وزنها به شما نمیگویند مدل دقیقاً چگونه ساخته شده است؛ چه دادههایی دیده، دادهها چگونه پاکسازی و فیلتر شدهاند، آموزش با چه تنظیماتی انجام شده و چه تصمیمهایی در طول این فرایند گرفته شده است.
برای سیستمهای یادگیری ماشین، دسترسی به وزنها بهتنهایی کافی نیست؛ کد مورد استفاده برای پردازش داده و آموزش و همچنین اطلاعات کافی دربارهی دادههای آموزشی نیز اهمیت دارد.
یک سیستم هوش مصنوعی متنباز باید آزادی استفاده، مطالعه، تغییر و بازتوزیع را فراهم کند
در یک هوش مصنوعی واقعاً متنباز (Open Source)، داستان باید فراتر از تحویل قابلمهی غذای آماده برود: اطلاعات و ابزارهای لازم برای مطالعه، تغییر و بازسازی مدل نیز باید در دسترس باشند.
براساس تعریف رسمیOpen Source AI Definition 1.0 (OSAID)از مؤسسهی (OSI) Open Source Initiative یک سیستم هوش مصنوعی متنباز باید آزادی استفاده، مطالعه، تغییر و بازتوزیع را فراهم کند و «شکل مطلوب برای اعمال تغییرات» را در اختیار کاربر قرار دهد؛ یعنی پارامترها، کد کامل آموزش و اجرا و اطلاعات کافی دربارهی دادهها.
متنباز بودن الزاماً به معنی انتشار تکتک فایلهای خام دیتاست نیست
متنباز بودن الزاماً به معنی انتشار تکتک فایلهای خام دیتاست نیست. طبق تعریف OSI، حتی اگر بخشی از دادهها به دلایل حقوقی قابل انتشار نباشند، باید دربارهی منشأ، ویژگیها، روش انتخاب و پردازش آنها اطلاعات کافی وجود داشته باشد تا یک متخصص بتواند فرایند ساخت سیستم را مطالعه کند و سیستمی اساساً معادل آن بسازد.
چرا وزنباز و متنباز با هم اشتباه گرفته میشوند؟
بخشی از مشکل این است که مفهوم Open Source از دنیای نرمافزار وارد هوش مصنوعی شده؛ درحالیکه یک مدل هوش مصنوعی فقط «کد» نیست.
بخشی از مشکل به سابقهی واژهی Open Source در دنیای نرمافزار برمیگردد. وقتی کد برنامهای متنباز باشد، توسعهدهنده تقریباً همان چیزی را میبیند که سازنده با آن نرمافزار را ساخته است؛ اما در هوش مصنوعی، مدل حاصل ترکیب کد، دادههای آموزشی، روش پردازش داده، تنظیمات آموزش و در نهایت وزنهای یادگرفتهشده است
یک مدل هوش مصنوعی فقط کد نیست
مدل حاصل ترکیب معماری، کد، دادههای آموزشی، روش پردازش داده، تنظیمات آموزش و در نهایت وزنهای یادگرفتهشده است. انتشار فقط وزنها شبیه انتشار فایل اجرایی یک نرمافزار بههمراه اجازهی دستکاری آن است، بدون اینکه الزاماً بدانید آن فایل دقیقاً چگونه ساخته شده است. بنابراین انتشار وزنها، هرچند بسیار ارزشمند است، الزاماً کل فرایند ساخت مدل را در اختیار دیگران قرار نمیدهد.
از طرف دیگر، داده و دستور آموزش جزو باارزشترین داراییهای شرکتهای هوش مصنوعی محسوب میشوند. جمعآوری و پالایش حجم عظیمی از داده، طراحی ترکیب مناسب آنها و پیداکردن تنظیمات مؤثر آموزش هزینهی زیادی دارد و انتشار همهی این اطلاعات میتواند بخشی از مزیت رقابتی شرکت را از بین ببرد. مسائل مربوط به کپیرایت، حریم خصوصی و قراردادهای تأمین داده نیز شفافیت کامل را دشوارتر میکنند.
Openwashing یعنی بازتر نشاندادن یک محصول از چیزی که واقعاً هست
اصطلاح Openwashing یا «بازشویی» برای موقعیتهایی بهکار میرود که محصولی بازتر از آنچه واقعاً هست معرفی شود؛ اما نباید هر مدل وزنبازی را الزاماً نمونهای از Openwashing دانست.
اتفاقاً برخی از بزرگترین سازندگان امروز در انتخاب واژه دقیق هستند؛ مثلاً Meta مدلهای Llama 4 Scout و Maverick را وزنباز معرفی میکند، گوگل همین تعبیر را برای Gemma 4 بهکار میبرد و OpenAI نیز خانوادهی gpt-oss را مدلهای وزن باز مینامد.
مشکل بیشتر زمانی ایجاد میشود که در رسانهها، شبکههای اجتماعی یا حتی گفتگوهای فنی، هر مدلی که وزنش قابل دانلود باشد بهاختصار متنباز نامیده میشود.
کدام مدلهای هوش مصنوعی متنباز و کدامها وزنباز هستند؟
وضعیت چند خانوادهی مطرح را میتوان اینطور خلاصه کرد:
چه چیزهایی منتشر شده؟
وزنها، کد، دادههای آموزشی، دستور آموزش و چکپوینتها
کاملاً باز / متنباز
وزنها، کد و اطلاعات گسترده دربارهی داده و فرایند توسعه
کاملاً باز / متنباز
وزنها و ابزارهای اجرا و شخصیسازی
وزنها، مستندات فنی و توضیحات کلی دربارهی دادهها
Llama 4 Scout / Maverick
وزنها و ابزارهای مرتبط با اجرا
Llama 4 Community License
وزنها، کد مخزن و مستندات فنی؛ بدون انتشار کامل داده و فرایند آموزش
وزنها، کد و مستندات فنی؛ بدون انتشار کامل داده و زنجیرهی آموزش
وزنها باز؛ وضعیت انطباق کامل با OSAID نامشخص
ین دستهبندی براساس اجزای منتشرشده و معیارهای OSAID است و به معنی دریافت گواهی رسمی OSI برای هر مدل نیست.
پیش از ادامه، بد نیست بدانیم Apache 2.0 چیست. Apache 2.0 یکی از مجوزهای شناختهشدهی متنباز در دنیای نرمافزار است که به کاربران اجازه میدهد اثر منتشرشده را استفاده، تغییر و بازتوزیع کنند و حتی در محصولات تجاری بهکار ببرند؛ البته با رعایت شرایط خود مجوز.
اما در هوش مصنوعی، داشتن Apache 2.0 برای وزنهای یک مدل به این معنی نیست که کل مدل متنباز است. این مجوز فقط دربارهی بخشهایی اعمال میشود که واقعاً منتشر شدهاند؛ اگر دادههای آموزشی، کد آموزش یا جزئیات فرایند ساخت مدل در دسترس نباشند، مجوز بازِ وزنها بهتنهایی آن کمبود را جبران نمیکند.
به زبان همان مثال قرمهسبزی، Apache 2.0 میتواند به شما اجازهی استفاده و تغییر غذایی را بدهد که تحویل گرفتهاید؛ اما الزاماً دستور پخت و مواد اولیهی آن را هم در اختیارتان نمیگذارد.
OLMo؛ وقتی مسیر ساخت مدل هم باز است
خانوادهی OLMo 3 از مؤسسهی Ai2 یکی از روشنترین نمونههای مدلهای کاملاً باز است. Ai2 فقط وزنهای نهایی مدل را منتشر نکرده؛ داده، کد، دستور آموزش و چکپوینتهای مراحل مختلف توسعه نیز در اختیار پژوهشگران قرار دارند. در نتیجه، پژوهشگر میتواند بسیار فراتر از اجرای مدل پیش برود و بخش بزرگی از مسیر ساختهشدن آن را بررسی و بازتولید کند.
اینجا دیگر فقط قابلمهی قرمهسبزی آماده را ندارید؛ دستور پخت و بخش بزرگی از آشپزخانه هم در اختیارتان است.
Apertus؛ مدل کاملاً باز
نمونهی مهم دیگر Apertus 1.5 است که ۲۴ جولای ۲۰۲۶ توسط ETH Zurich، EPFL و مرکز ملی ابررایانش سوئیس یا CSCS منتشر شد. سازندگان Apertus این پروژه را Fully Open توصیف میکنند و علاوهبر وزنها، کد و اطلاعات گستردهای دربارهی فرایند توسعه و دادههای آن را نیز منتشر کردهاند. Apertus تحت مجوز Apache 2.0 عرضه شده است.
gpt-oss؛ وزنباز، نه کاملاً متنباز
OpenAI در ۵ آگوست ۲۰۲۵ مدلهای gpt-oss-120b و gpt-oss-20b را منتشر کرد. وزنهای آنها تحت مجوز Apache 2.0 قابل دانلود و شخصیسازی هستند و امکان اجرای مدل روی زیرساخت شخصی نیز وجود دارد.
نام gpt-oss ممکن است در نگاه اول تداعیکنندهی یک پروژهی کاملاً متنباز باشد؛ اما خود OpenAI این خانواده را وزنباز معرفی میکند و تمام اجزای لازم برای بازتولید فرایند آموزش را منتشر نکرده است.
Gemma 4؛ مجوز Apache 2.0 بهتنهایی کافی نیست
داستان Gemma 4 نمونهی خوبی از همان تفاوتی است که دربارهی Apache 2.0 توضیح دادیم. گوگل وزن مدلها را تحت این مجوز منتشر میکند و در مدلکارت رسمی خود نیز صریحا از اینهوش مصنوعی گوگلبه عنوان یک مدل وزنباز نام میبرد.
گوگل اطلاعاتی کلی دربارهی انواع دادههای آموزشی و روشهای پالایش آنها ارائه میدهد؛ اما وزنها و توضیحات کلی دربارهی داده با انتشار تمام اجزای لازم برای بازسازی فرایند آموزش یکسان نیستند.
داشتن مجوز Apache 2.0 برای وزنها، لزوماً به معنی متنباز بودن مدل نیست
Gemma 4 نمونهی خوبی برای یادآوری یک نکتهی مهم است؛ این که داشتن مجوز آزادی مانند Apache 2.0 برای وزنها، بهتنهایی کل فرایند ساخت یک مدل را متنباز نمیکند.
Llama 4؛ مشهور، قابل دانلود اما وزنباز
Meta نیز هنگام معرفی Llama 4 Scout و Maverick از عبارت وزنباز استفاده کرد. Llama 4 علاوهبر منتشرنشدن تمام اجزای لازم برای بازتولید فرایند آموزش، تحت مجوز اختصاصی Llama 4 Community License منتشر میشود، نه یکی از مجوزهای استاندارد متنباز مورد تأیید OSI. این مجوز محدودیتی قابلتوجه دارد؛ اگر یک شرکت در زمان انتشار نسخهی Llama 4 بیش از ۷۰۰ میلیون کاربر فعال ماهانه داشته باشد، برای استفاده از مدل باید از Meta مجوز جداگانهای دریافت کند.
بنابراین Llama 4 هرچند بسیار بازتر از مدلهایی است که تنها از طریق API قابل استفادهاند، بهتر است وزنباز نامیده شود، نه متنباز به معنای کلاسیک و سختگیرانهی این واژه.
Kimi K3؛ غول وزنباز ۲٫۸ تریلیون پارامتری
Kimi K3 مدل پرچمدار Moonshot AI است که با معماری Mixture-of-Experts در مجموع ۲٫۸ تریلیون پارامتر دارد و از متن، تصویر و ویدئو پشتیبانی میکند. خود سازنده نیز Kimi K3 را صریحاً یک مدل Open Weight معرفی میکند و وزنهای کامل آن را همراه با مخزن رسمی پروژه و مستندات فنی تحت مجوز اختصاصی Kimi K3 منتشر کرده است.
خود سازنده، Kimi K3 را صریحاً مدلی Open Weight معرفی میکند. علاوهبر منتشرنشدن همهی اجزای لازم برای بازسازی فرایند ساخت مدل، مجوز اختصاصی Kimi K3 نیز برای برخی استفادههای تجاری بزرگ محدودیتهایی دارد؛ بنابراین با معیار OSAID نمیتوان آن را یک مدل کاملاً متنباز دانست.
GLM-5.2؛ مجوز MIT، ولی آیا واقعاً متنباز است؟
شرکت Z.ai هنگام معرفی GLM-5.2 از عبارت Pure Open (تعبیر خود Z.ai برای این مدل به معنای کاملا باز) استفاده کرد و وزنهای مدل را برای دانلود و اجرای محلی در دسترس قرار داد. این مدلی در کلاس حدود ۷۵۰ میلیارد پارامتر با مجوز بسیار آزاد MIT برای وزنها منتشر شده است؛ مجوزی که اجازهی استفاده، تغییر و بازتوزیع، حتی در محصولات تجاری را میدهد.
همان نکتهای که دربارهی Apache 2.0 گفتیم اینجا هم صدق میکند؛ مجوز باز برای وزنها بهتنهایی مدل را کاملاً متنباز نمیکند. بر اساس بررسی منابع عمومی، نمیتوان با اطمینان گفت تمام اطلاعات داده و کد لازم برای احراز معیارهای OSAID نیز منتشر شدهاند؛ بنابراین بهتر است دربارهی برچسب «کاملاً متنباز به معنای OSAID» محتاط باشیم.
آیا فقط وزنباز بودن چیز بدی است؟
اصلاً! مدل وزنباز میتواند برای بسیاری از توسعهدهندگان حتی از یک API بسته جذابتر باشد. میتوانید مدل را روی سرور خودتان اجرا کنید، کنترل بیشتری بر محل پردازش داده داشته باشید، آن را Fine-tune کنید و وابستگی کمتری به سرویس ابری سازنده داشته باشید. مشکل زمانی شروع میشود که وزنباز را مترادف متنباز بدانیم.
وزنباز مترادف متنباز نیست
برای اجرای محلی یک چتبات، وزنها شاید کاملاً کافی باشند؛ اما برای پژوهشگری که میخواهد نتایج را از ابتدا بازتولید کند، نهادی که قصد ممیزی منشأ رفتار مدل را دارد یا سازمانی که بهدنبال استقلال بیشتر در زیرساخت هوش مصنوعی است، دانستن نحوهی ساختهشدن مدل اهمیت بیشتری پیدا میکند.
این تفاوت برای قانونگذاران نیز اهمیت دارد. قانون هوش مصنوعی اتحادیهی اروپا برای ارائهدهندگان مدلهای همهمنظوره الزاماتی مانند داشتن سیاست رعایت کپیرایت و انتشار خلاصهای از محتوای آموزشی در نظر گرفته است. برخی مدلهای آزاد و متنباز تحت شرایطی از بخشی از الزامات مستندسازی معافاند؛ اما همچنان باید سیاست رعایت کپیرایت و خلاصهی محتوای آموزشی منتشر کنند و مدلهای دارای ریسک سیستمی نیز مشمول الزامات بیشتری هستند.
سه سؤال برای تشخیص یک مدل متنباز
دفعهی بعد که مدلی با برچسب Open Source دیدید، فقط نپرسید که آیا میتوانم آن را دانلود کنم؟؛ بلکه این سه سؤال مهمتر را بپرسید:
- آیا وزنهای مدل در دسترس هستند؟آیا کد و دستور لازم برای آموزش و پردازش داده منتشر شده است؟آیا دربارهی دادهها و فرایند ساخت مدل اطلاعات کافی وجود دارد و مجوز نیز آزادی استفاده، مطالعه، تغییر و بازتوزیع را فراهم میکند؟
اگر پاسخ عملاً فقط به سؤال اول مثبت باشد، به احتمال زیاد با یک مدل وزنباز روبهرو هستید.
به زبان قرمهسبزی اگر فقط قابلمهی غذای آماده را گرفتهاید، وزنها باز هستند. اگر دستور پخت، روش آمادهکردن مواد و اطلاعات لازم برای پخت دوبارهی همان غذا را هم دارید، آنوقت میتوان دربارهی یک هوش مصنوعی واقعاً متنباز صحبت کرد.
مرز میان این دو، مرز میان توانایی استفاده از یک مدل و توانایی فهمیدن و بازسازی نحوهی ساختهشدن آن است.
شما برای استفادهی روزمره و توسعهی محصولات هوش مصنوعی، وزنباز بودن را کافی میدانید یا انتشار دادهها و فرایند آموزش هم برایتان اهمیت دارد؟ تجربه و دیدگاهتان دربارهی مدلهای متنباز و وزنباز را در بخش نظرات با زومیت و دیگر کاربران در میان بگذارید.