Modello Open-Weight

Open weights vs. open source vs. proprietario

Tre livelli di apertura vengono regolarmente confusi. Un modello proprietario (come le famiglie GPT o Claude) mantiene i suoi pesi privati - puoi raggiungerlo solo tramite l'API ospitata dal creatore, il che significa che i tuoi prompt viaggiano verso la sua infrastruttura. Un modello Open-Weight pubblica i parametri addestrati sotto una licenza, così che chiunque possa eseguirlo da sé, ma non rilascia necessariamente il codice e i dati necessari per riprodurlo. Un vero modello open source va oltre e pubblica anche il codice e i dati di addestramento. La Open Source AI Definition della Open Source Initiative traccia esattamente questa linea: i pesi da soli non sono "open source" senza le informazioni sui dati e il codice di addestramento che permettono di studiare e ricostruire il modello.

In pratica, quasi ogni modello oggi commercializzato come "open source" - inclusi DeepSeek, Qwen e Gemma - è in realtà Open-Weight: i pesi vengono distribuiti sotto una licenza permissiva (Gemma 4, per esempio, sotto Apache 2.0), mentre i dati di addestramento restano privati. La distinzione conta raramente per l'uso di un modello, ma conta enormemente per chi controlla dove viene eseguito - e quindi dove vanno i tuoi dati quando lo fa.

Perché gli open weights sono la base dell'inferenza sovrana

Poiché i pesi sono solo un file di numeri, non portano alcun collegamento con il loro creatore. Un file di pesi è una funzione matematica deterministica: lo stesso input produce lo stesso output, senza alcun meccanismo al suo interno per inviare dati da qualche parte. Chi ospita i pesi controlla l'intero percorso dei dati. Chiama un'API proprietaria e il cloud del creatore del modello vede ogni prompt; esegui un modello Open-Weight su Infercom e il creatore ha pubblicato solo i pesi, senza alcuna visibilità su come vengono eseguiti - i tuoi dati vanno invece alla nostra infrastruttura EU. Pensa ai pesi pubblicati come a un libro stampato: una volta che l'autore lo pubblica, non ha idea di quale biblioteca lo conservi o di chi lo stia leggendo.

È questo che rende gli open weights il fondamento tecnico dell'inferenza sovrana EU. Il paese di origine del modello diventa irrilevante per dove risiedono i tuoi dati, perché il creatore non ospita nulla - un modello addestrato ovunque può servire utenti europei interamente sotto giurisdizione EU quando viene eseguito su infrastruttura europea. Le richieste ai nostri modelli ospitati in EU vengono eseguite in un datacenter di Monaco, su suolo EU, sotto la legge EU, senza una società madre statunitense e senza esposizione al CLOUD Act statunitense. Anche il quadro normativo riconosce la categoria: l'EU AI Act prevede obblighi più leggeri per i modelli di uso generale liberi e open source rispetto a quelli chiusi.

I modelli Open-Weight sono abbastanza buoni?

Il divario di capacità che un tempo giustificava un sovrapprezzo per i modelli chiusi si è in gran parte colmato per i workload di tutti i giorni. Tracker indipendenti come Epoch AI stimano il ritardo tra i migliori modelli aperti e i migliori chiusi in una questione di mesi, non di generazioni - e osservano che non si sta ampliando. Per la maggior parte dei compiti in produzione - chat, estrazione, codice, agenti - un modello Open-Weight attuale è competitivo, e può essere servito molto più velocemente su hardware appositamente costruito.

Eseguire open weights sblocca inoltre una dimensione che le API chiuse non possono offrire: il controllo su dove e come vengono eseguiti. Sulla nostra infrastruttura dataflow serviamo modelli Open-Weight come MiniMax M2.7 e gpt-oss-120b a velocità ben oltre i tipici provider di API su GPU, mantenendo al contempo ogni richiesta all'interno dell'EU. L'origine diventa una questione di comportamento, non di sicurezza dei dati - e la vera domanda si sposta da "il produttore del modello può vedere i miei dati" (dal punto di vista architetturale: no) a "mi fido del mio provider di inferenza".

Termini correlati