Open-Weight-model

Open weights vs. open source vs. proprietær

Tre grader af åbenhed forveksles rutinemæssigt. En proprietær model (som GPT- eller Claude-familien) holder sine vægte private - du kan kun nå den via udbyderens hostede API, hvilket betyder, at dine prompts rejser til deres infrastruktur. En Open-Weight-model offentliggør de trænede parametre under en licens, så enhver selv kan køre den, men frigiver ikke nødvendigvis den kode og de data, der skal til for at reproducere den. En ægte open source-model går videre og offentliggør også træningskode og -data. Open Source Initiatives Open Source AI Definition trækker præcis denne grænse: vægte alene er ikke "open source" uden de data-informationer og den træningskode, der lader dig studere og genopbygge modellen.

I praksis er næsten enhver model, der i dag markedsføres som "open source" - herunder DeepSeek, Qwen og Gemma - reelt Open-Weight: vægtene udgives under en tilladende licens (Gemma 4 for eksempel under Apache 2.0), mens træningsdataene forbliver private. Skelnen betyder sjældent noget, når man bruger en model, men den betyder enormt meget for, hvem der kontrollerer, hvor den kører - og dermed hvor dine data havner, når den gør.

Hvorfor open weights er fundamentet for suveræn inference

Fordi vægtene blot er en fil af tal, bærer de ingen forbindelse tilbage til deres skaber. En vægtfil er en deterministisk matematisk funktion: samme input giver samme output, uden nogen mekanisme indeni til at sende data nogen steder hen. Den, der hoster vægtene, kontrollerer hele datastien. Kald en proprietær API, og modelskaberens sky ser hver prompt; kør en Open-Weight-model på Infercom, og skaberen har kun offentliggjort vægte, uden indblik i hvordan de kører - dine data går i stedet til vores EU-infrastruktur. Tænk på offentliggjorte vægte som en trykt bog: når først forfatteren udgiver den, aner han ikke, hvilket bibliotek der har den, eller hvem der læser den.

Det er dét, der gør open weights til det tekniske fundament for EU-suveræn inference. Modellens oprindelsesland bliver irrelevant for, hvor dine data ligger, fordi skaberen ikke hoster noget - en model trænet hvor som helst kan betjene europæiske brugere fuldt ud under EU-jurisdiktion, når den kører på europæisk infrastruktur. Forespørgsler til vores EU-hostede modeller kører i et datacenter i München, på EU-jord, under EU-ret, uden et amerikansk moderselskab og uden eksponering for den amerikanske CLOUD Act. Også regelværket anerkender kategorien: EU AI Act stiller lettere krav til frie og open source-modeller til generelle formål end til lukkede.

Er Open-Weight-modeller gode nok?

Det ydeevnegab, der engang retfærdiggjorde en merpris for lukkede modeller, er stort set lukket for dagligdags workloads. Uafhængige trackere som Epoch AI opgør efterslæbet mellem de bedste åbne og de bedste lukkede modeller til et spørgsmål om måneder, ikke generationer - og bemærker, at det ikke vokser. For de fleste produktionsopgaver - chat, ekstraktion, kode, agenter - er en aktuel Open-Weight-model konkurrencedygtig, og den kan betjenes langt hurtigere på specialbygget hardware.

At køre open weights åbner desuden en dimension, som lukkede API'er ikke kan: kontrol over hvor og hvordan de kører. På vores dataflow-infrastruktur betjener vi Open-Weight-modeller som MiniMax M2.7 og gpt-oss-120b ved hastigheder langt ud over typiske GPU-API-udbydere - og holder samtidig hver forespørgsel inden for EU. Oprindelse bliver et spørgsmål om adfærd, ikke datasikkerhed - og det egentlige spørgsmål flytter sig fra "kan modelproducenten se mine data" (arkitektonisk: nej) til "stoler jeg på min inference-udbyder".

Relaterede begreber