GPT-2曾被嫌太危险，6年后又开放权重？一条下载链接背后的AI赛跑

摘要 普通人能在自己电脑上运行AI，并不是从天上掉下来的福利。分阶段发布、研究许可、开放引擎与下载链接，把同一场技术竞争分成了两条跑道。 黑粉科技 · 2026-10-05

2019年，GPT-2的完整权重要分阶段等上几个月；2025年，OpenAI又发布了能下载的gpt-oss。同一家公司，开放策略发生了变化。另一边，LLaMA、Mistral和DeepSeek把可下载模型带进了普通用户的工作流。 可下载、能商用、能复现、你这台电脑能跑，是四件事。沿着这场赛跑看完，你下次面对下载按钮，就不会把四件事一起默认勾上。

起跑线上，论文和权重打开了门

2017年6月，八位研究者公开了Transformer论文；2018年，Google又公开BERT的代码和预训练权重。论文让人研究架构，代码让实现更容易检查，权重让人直接使用训练结果。它们降低了不同的门槛，却都不能单独保证把整套训练复现出来。

可以把这几份材料放到做菜的场景里分开：架构像设备的结构设计，代码像操作与控制程序，权重像设备已经调好的设置，训练资料则是当初调试时用过的材料。带回一台调好的设备，可能就能开始使用；要重做它的调试过程，却还得知道材料怎样准备、程序怎样运行。接下来那些“开放”的里程碑，重要的正是每次究竟交出了哪几份东西。

在这些有影响力的研究中，论文、代码与权重的公开让后人能继续往前走：发论文、放代码，大家站在同一套成果上接着往前走。

分岔发生在两年之后。

2019：一个“太危险”的模型

2019 年 2 月 14 日，OpenAI 发布了 GPT-2，一个 15 亿参数的语言模型——放在当时，这个规模大得惊人。可他们只放出了一个小得多的版本，理由写在公告里：担心这项技术被恶意使用。

接下来的九个月，OpenAI 像挤牙膏一样一点一点地放：2 月放出 1.24 亿参数的版本，5 月 3.55 亿，8 月 7.74 亿，直到 11 月 5 日，完整的 15 亿参数版才终于公开。顺带一个真实的小插曲：最早公布的两个参数量后来被他们自己更正了——原来写的是 1.17 亿和 3.45 亿，GitHub 上的说明写着，因为“一个错误”算错了。

这次“分阶段发布”在当时吵得很凶。支持的人说谨慎总没错；也有不少研究者批评，把一个 15 亿参数的模型说得这么危险，更像是在渲染恐慌。可它留下的先例，比这场争论本身重要得多：最强的模型，不一定会放出来。

2022 年 11 月，ChatGPT 上线。它背后的模型，一个参数都没有公开。

2023 年 3 月：一份权重从 4chan 漏了出来

2023 年 2 月 24 日，Meta 发布了 LLaMA，最大的一个有 650 亿参数。权重不对外公开下载，研究者得逐个申请，许可证写明只能用于研究。

初代LLaMA采取研究申请和受限许可的发布方式，后来出现了未经授权的权重流传。这段经历让“可以拿到文件”和“有权使用文件”的差别变得具体。这里不提供泄露下载入口。可接下来发生的事，比泄露本身重要得多：短短几周之内，保加利亚程序员格奥尔基·格尔加诺夫（Georgi Gerganov）写出了 llama.cpp，让 LLaMA 能在一台普通的 MacBook 上跑起来。今天大家电脑上跑 GGUF 文件的那套引擎，就是从那个月长出来的。

2023年7月18日，Meta发布了Llama 2，提供包括商业使用在内的许可。一个重要条件是：按许可证规定，在相关发布日期的前一个月，许可方所指产品或服务的月活超过7亿的被许可方，需要另行向Meta申请许可；是否授权由Meta决定。这是明确的使用条件，不是“文件能下载，谁都能随便用”。后续开放发生在泄露之后，但仅凭时间先后，不能认定它就是因泄露而作出的决定。

2023 年 9 月：一条只有一个链接的推文

2023 年 9 月 27 日，一家成立才几个月的法国公司 Mistral AI 在社交平台上发了一条推文。没有介绍，没有配图，只有一个磁力链接。点开，是一个 13.4GB 的种子，里面装着他们的第一个模型 Mistral 7B。许可证是 Apache 2.0——允许使用、修改和商业用途，同时仍须遵守许可证的通知与相关条款。

12月的Mixtral 8x7B进一步展示了混合专家路线：官方介绍总参数约467亿，每个词元实际使用约129亿。这并不意味着只需下载129亿参数；总权重与激活计算是两笔账。第11期看模型版图，第16期再把它接回硬件预算。

混合专家尤其容易把这几件事绕在一起。每个词元只调用部分专家，说明单步计算可以少于把全部参数都用一遍；但下一词元可能换一组专家，通常仍要能访问整个权重集合。就像轮班时只来一部分员工，不等于企业只需要给当班的人准备工位与资料。

“专家”在这里是网络中的不同计算模块。可以想成一本分门别类的工具手册：办眼前的事只翻相关几章，换个任务可能再翻别的章。路由机制决定这一步选哪些模块，所以激活参数描述这一步用了多少；总参数描述整本手册有多大。这个类比只解释选择与容量，模型里的模块没有人的职业身份，也不保证各自都有能说清的专长。

所以，选本地模型时要同时问“总权重多大”和“每步计算多少”。前者影响存储与内存，后者影响算量；量化、卸载与运行引擎又会改变实际代价。把激活参数当成需要装进电脑的总参数，很容易在下载前就算错账。

上面是闭源的里程碑，下面是开放权重的里程碑。最有意思的是两头：2019 年 OpenAI 不敢放 GPT-2，六年半以后，它自己又放出了可以下载的模型。

2025 年 1 月：R1把开放推理带到前沿竞争中

2024 年 9 月，OpenAI 发布了 o1，一种先“想”一大段再回答的新模型（第9期专门讲）。它在数学和编程上的跃升，让很多人以为闭源又拉开了一大截。

四个月后，2025 年 1 月 20 日，中国公司 DeepSeek 发布了 R1：同样先想再答，官方报告在若干评测中与o1对照，权重直接用 MIT 许可证放了出来——下载、修改、商用，拿它去教别的模型，全都允许。R1的市场影响留到后面的名场面文章展开。本篇先看它怎样改变了可以下载的模型生态。

又过了半年，2025 年 8 月 5 日，OpenAI 发布了两个可以下载的模型，叫 gpt-oss，许可证是 Apache 2.0。公告里专门写了一句：**这是 OpenAI 自 GPT-2 以来，第一次开放语言模型的权重。**从“太危险，不敢发”到重新开放，中间隔了六年半。

这条时间线也说明，开放与闭源不是两支永不换阵营的队伍。同一家机构可以公开某些模型、把另一些模型保留为在线服务；一个开放模型也可以接入收费产品。“是否收费”和“是否开放权重”不在同一条坐标轴上。

看商业策略可以提出推断：开放可能促进开发者生态，在线服务可能提供便利与收入。但要断言某次发布“真正是为了打击谁”，还需要当时的公告、经营数据或其他证据。模型文件能证明哪些东西放出来了，不能直接证明决策者心里的全部动机。

能拿到模型权重，把“在哪里运行”从服务商的选择变成了用户可以参与的选择。但这份选择仍要付出存储、内存、算力和维护成本。开放不等于硬件免费，宽松许可也不等于免除法律与权限责任。

“开源”到底开了什么？

最后，澄清一个几乎所有人都会搞混的词。

如果还用餐厅类比，权重更像一台已经调好的烹饪设备：内部设置保留了训练后的结果，带回去可以照它的计算方式运行，也可以继续微调。它不是写清每个训练步骤的完整配方。训练代码、数据处理和样本来源，需要另外交代。

这里其实有三样东西：

“开放权重”准确说明你拿到的是训练后的参数，但不要据此猜代码、数据和许可也都齐了。2024年10月，OSI发布《开源AI定义》1.0，对使用自由、代码、参数和足够详细的数据说明提出要求；它不简单等于“把全部原始数据上传”。判断一个具体项目是否符合，需要逐项看材料与条款，不能凭下载量下结论。开源AI定义

假设你下载到一个文件，模型管理软件也把它列出来了。下一步不是宣布部署完成，而是检查引擎是否认识架构、量化文件是否兼容、权重与缓存能否放进内存。文件识别是入口，启动是下一道门；能启动之后，还要用自己的任务验收。

文件格式与运行引擎，可以借播放器和视频文件理解：看到文件名，不代表播放器会解码；解码成功，也不代表设备能流畅播放。模型格式是参数怎样装进文件，引擎是怎样读它、计算它的程序，内存则提供运行时要用的空间。下载页上的三个“可以”——可以拿到、可以使用、可以在本机跑——因此必须分别打勾。

这不是给开放模型泼冷水，恰恰是把它的价值用起来：你可以检查版本、换运行地点、调整预算、保存结果，不必只信服务商的一次演示。自主权增加了，自己要承担的检查也增加了。

去看一眼“能下载”长什么样

• 打开 Hugging Face（huggingface.co），搜索 Qwen3-8B，进入官方页面
• 找到 license 那一栏，看它写的是什么（以该模型当时页面的许可字段为准）
• 点开“Files”，数一数有多少个 .safetensors 文件，加起来有多大
• 再搜一个闭源模型的名字，例如GPT-4的官方模型资料——你会发现，找不到任何可以下载的文件

下载页是检查开放程度的入口，不是检查终点。先找到模型卡、许可文件、架构配置和权重清单，再去看你准备使用的运行引擎。少一环，结论就应停在那一环。

最后再看“开源追上闭源，只差几个月”这种句子。它可能指某个开放模型终于达到了旧闭源模型曾有的分数，也可能指同一天两个模型之间的分差。这两个问题不能用同一个数字回答：时间差需要明确历史基准，分差需要明确当前版本、任务、推理预算与工具配置。

不同尺子还可能给出不同顺序：数学推理强，不保证中文写作、长文检索和工具调用同样领先。本篇的时间线说明开放路径怎样变化，不把跨年代模型连成一条未经统一测试的能力榜。等到成绩单那几期，我们再专门拆这把尺子。

回到开头的问题

回到最初的问题：开放改变的是谁有机会拿到模型、检查模型、改造模型和选择部署地点。它没有自动消除训练复现、运行兼容与任务可靠性的困难。与其争论一个宽泛的“开源更强”或“闭源更强”，不如把能力证据、使用权利和部署成本分开读。

故事里出现的几个名词

下一篇接着看：给机器四组数字，不告诉它规律，它却能把两个旋钮拧向答案。再看神经元熔炉里的曲线：损失下降、界面能跑、真的学会，究竟差在哪里？

参考资料

• GPT-2完整权重发布
• GPT-2原仓库
• Mistral 7B官方发布
• Mixtral官方介绍
• DeepSeek-R1原资料
• gpt-oss官方发布
• 开源AI定义1.0