1) Trening: lab (Meta, Mistral, DeepSeek, Moonshot, TML) prowadzi frontier training run — zwykle tygodnie/miesiace na klastrach 1000+ akceleratorow, kosztuja $10M-$100M+ (Llama 3 405B: ~30M GPU-hours na H100). 2) Post-training: fine-tuning na instruction data, RLHF/RLAIF safety alignment, red-teaming iteracje. 3) Licence decision: wybor licencji (Apache 2.0, MIT, custom). 4) Publikacja assets: (a) wagi wgrywane na Hugging Face (safetensors format, GGUF dla llama.cpp) i mirror na innych hosts; (b) model card z opisem, benchmark scores, safety evals, use-case guidance; (c) inference code (transformers, vLLM, SGLang integrations); (d) opcjonalnie: quantized versions (int8, int4, MXFP4) dla mniejszych GPU. 5) Ecosystem uptake: community fine-tunes (Alpaca-style instruction tuning, LoRA adapters), quantizations (Q4_K_M, IQ2_XXS), inference optimizations (vLLM, TensorRT-LLM), evaluation na benchmarks (Open LLM Leaderboard). 6) Downstream integration: firmy i indywidualni uzytkownicy inkorporuja model w wlasne produkty (RAG, agentic, chat interfaces, sandbox research). 7) Long tail: modele beda dostepne dosownie WIECZNIE — wagi raz uploadowane nie mozna „cofnac", stad regulacyjne argumenty przeciw open-weight na wysokim capability tier.
Closed/proprietary AI (dostep tylko przez API) tworzy trzy fundamentalne problemy: (1) vendor lock-in — klient zalezny od API provider'a pod katem ceny, dostepnosci, polityki uzycia, deprecation. (2) niezaleznosc badan safety — zewnetrzni badacze nie moga probowac wagi ani intermediate activations, ograniczajac ekspertyze. (3) suwerennosc technologiczna — kraje i firmy nie chca polegac na infrastrukturze innego kraju/firmy dla krytycznych use cases (obrona, medycyna, finanse, wywiad). Open-weight rozwiazuje wszystkie trzy: wagi mozna pobrac raz i uruchomic wiecznie na wlasnej infrastrukturze, badacze maja pelny dostep do internals, kraje moga budowac wlasne stacks. Dodatkowo: (4) cost — lokalny inference $0.10-$1.00 per 1M tokens vs $10-$50 dla frontier API; (5) privacy — dane nigdy nie opuszczaja infrastruktury klienta; (6) customization — fine-tuning na wlasne domeny/case-y (nie mozliwe z API models).
Apache 2.0 / MIT: unrestricted commercial use, kluczowe dla adoption enterprise. Llama Community: OK z restrykcja 700M MAU. OpenRAIL-M / custom: use-case restrictions moga wykluczyc legitimate use cases. Wybor licencji drastycznie wplywa na commercial adoption.
OSAID (OSI, pazdziernik 2024) wymaga wag + kodu + training data information. Wiekszosc open-weight modeli udostepnia tylko wagi + inference code (bez training data). AllenAI OLMo, MOSS to rzadkie wyjatki spelniajace OSAID. Trade-off: full transparency vs. competitive advantage dla twoercy.
Immediate release z day-1 access (Kimi K3, Inkling). Staged release: mniejsze wersje najpierw, potem wieksze (Llama series). Delayed release: 3-6 miesiecy po wewnetrznej ewaluacji safety. Zaleznie od capability tier i risk assessment.
Provider moze udostepnic tylko fp16 (community wygeneruje quants) lub pre-quantized variants (int8, int4, MXFP4). Kimi K3 udostepnia MXFP4 native. Wieksza permissiveness zwieksza adopcje.
Open-weight modele moga miec safety layers usuniete przez fine-tuning („abliterated" models na Hugging Face). Provider moze albo (a) accept, (b) prohibit via license (ineffective enforcement), (c) build interpretability-based robustness. Trade-off freedom vs safety.
Minimalna (nazwa, licencja) vs comprehensive (architektura, dane, benchmarks, safety, limitations, use cases). EU AI Act wymaga comprehensive dla GPAI. Best practice: full model card + system card dla safety-critical models.
Wykonanie modelu (inferencja) zalezy od jego architektury (dense transformer, MoE), nie od statusu open-weight vs closed. Wiele open-weight modeli 2024-2026 to MoE (DeepSeek V3, Mixtral, Kimi K3) z sparse activation — open-weight to metadata dystrybucji, nie architektura.
Sama dystrybucja rownolegla (mirror hosts, CDN). Inferencja lokalna skaluje sie na dostepne GPUs u klienta. Community fine-tuning i quantization to embarrassingly parallel workloads. Open-weight enable massive parallel ecosystem developement — tysiace niezaleznych deploymentow rownolegle.
