開源與閉源AI模型之爭:2026年,誰更勝一籌?
如果你在2026年隨機問十個正在用AI做東西的人,開源模型和閉源模型到底誰更勝一籌,你大概會得到十種不同的答案——答案取決於他們在做什麼、以及他們口中的「開源」究竟指什麼。這不是含糊其辭,而是這個領域的真實寫照。在影片、圖像與文字生成這三個領域,開放權重陣營已經把能力差距縮小到一個程度,使得「直接用閉源模型就對了,反正它明顯更強」這種說法,在過去一年半左右已經不再是穩妥的預設選項。但閉源實驗室也沒有原地踏步,而「開源」這個詞本身也變得爭議重重,以至於兩個人可能用同一個詞,卻在描述附帶權利截然不同的產品。在選邊站之前,值得先把到底在比較什麼弄清楚。
一場AI圈外幾乎沒人關注的「定義」之爭
開放源碼促進會(Open Source Initiative,OSI)在2024年10月正式敲定了「開源AI」的定義,這個標準之高,讓大多數號稱「開源」的模型其實都達不到。要符合這個標準,一個模型不能只提供可下載的權重,還必須公開訓練程式碼,以及足夠詳盡的訓練資料說明,讓其他人有機會真正重現這個模型。按照這個標準來看,大眾口中隨口稱為「開源」的模型——Llama、Wan,甚至DeepSeek——更準確的說法其實是「開放權重」:你能拿到訓練完成的參數,用來執行或微調,但拿不到產出這些參數的配方。這個區分聽起來像是在咬文嚼字,但一旦牽涉到廠商能否真正稽核一個模型究竟是用什麼資料訓練出來的,這件事就不再只是文字遊戲了——對於任何要交付受監管產品的人來說,這一點格外重要。實務上,「開放權重」在2026年已經成為業界通用的說法,而對開發者來說,真正有意義的問題不是「這是不是開源」,而是「這份授權條款到底允許我做什麼」。
影片生成:縮小得最快的差距
影片生成是開源與閉源分野表現得最鮮明的領域,因為從零打造一個能打的影片模型所需的成本高到只有極少數實驗室敢嘗試。阿里巴巴的Wan 2.2以Apache 2.0授權釋出,權重公開在GitHub、Hugging Face和ModelScope上,是這個類別中最具代表性的開放權重旗艦——Apache 2.0是一種寬鬆授權,允許商業使用、修改與再散布,提供輕量到能在單張消費級GPU上運行的50億參數版本,也有需要真正基礎設施才能規模化運作的大型混合專家(Mixture-of-Experts)版本。快手的Kling則站在對立面:沒有公開權重,沒有模型儲存庫,存取管道完全靠開發者API,而且這個API還用獨立於一般消費級訂閱方案之外的預付點數包計費——這對隨興實驗來說是道不小的門檻,不過對閉源前沿模型而言也不算罕見。真正有意思的地方不在於一個開源一個閉源,而在於Wan在動作連貫性與畫面保真度上已經追得夠近,以至於現在不少團隊預設就用Wan,只有在特定工作確實需要時才轉向閉源模型——這在兩年前是不可想像的。
圖像生成:生成式AI最古老的戰場,至今懸而未決
圖像生成是這場實驗跑得最久的領域,而結果確實是勢均力敵,而不是哪一方乾淨俐落地獲勝。Midjourney始終維持閉源與專有,擁有一套經過強力策展、風格鮮明的「御用美學」,使用者不用花任何心力微調,開箱即用的效果就能在美感完成度上勝過大多數開源模型。Stable Diffusion的後繼者以及像Flux這樣的開源競爭者,已經大幅縮小了這個差距——按照2026年流傳的多數非正式比較,Flux以及像Juggernaut XL這類微調過的SDXL模型,在提示詞遵循度與寫實程度上已經追平甚至超越Midjourney,而且只要你有自己的GPU,這些模型就能免費在消費級硬體上運行。Midjourney現在真正在賣的其實已經不是圖片品質本身,而是「不用自己搞定一切」的省心感——不用架ComfyUI流程圖,不用到處找LoRA,一個月10美元的訂閱加上一個提示詞輸入框就夠了。而Stable Diffusion的生態系——LoRA、ControlNet、自訂取樣器,以及一個龐大的社群微調模型庫——所提供的深度,是閉源系統在設計上根本無法給出的,因為要有這種深度,就必須讓使用者能伸手進機器內部去動手腳。這裡誰「贏」,完全取決於你重視的是精心策展,還是自由掌控,而兩個陣營都已經把這個取捨當成了永久的立場,而不是暫時的權宜之計。
文字生成:聲量最大、影響最深遠的戰場
語言模型是開源與閉源之爭最受矚目的領域,而2026年出現了一個相當弔詭的轉折:OpenAI——這家最常被認為把前沿模型死死鎖在API後面的公司——在2025年8月以Apache 2.0授權釋出了自家的開放權重模型gpt-oss-120b與gpt-oss-20b,這是自GPT-2以來,OpenAI首次釋出開放權重模型。這兩個模型無法透過ChatGPT或OpenAI自家的API使用,它們的存在純粹是為了讓任何想在自己的基礎設施上跑推理的人使用,據報導gpt-oss-120b在核心基準測試上的表現已經逼近OpenAI自家的推理模型o4-mini。單單這一次釋出,對開放權重文字模型的正當性所帶來的助益,比Meta或Mistral的任何一次發表都更大,因為這是出自一家在商業上有十足動機主張「閉源終究比較好」的實驗室。與此同時,DeepSeek的V4系列模型是以純粹的MIT授權釋出——這可以說是業界廣泛使用的授權條款中最寬鬆的一種,讓任何人都能在其上建構並轉售產品,而不用支付權利金;相較之下,Meta的Llama 4使用自家的「社群授權」,表面上看起來很開放,但一旦一家公司的月活躍使用者超過7億,就得依Meta的意思另行協商條款。正是這一條條款,讓開放源碼促進會不承認Llama在嚴格意義上屬於開源,儘管大多數人仍隨口把它稱為開源——它其實是「有上限的原始碼公開」,而不是不受限制的開放。Mistral則走出自己的中間路線,一邊釋出授權較寬鬆的小型模型,一邊在旗艦級大型系統上維持較嚴格的條款。這些授權上的細微差異,沒有一項會出現在基準測試圖表上,但真正決定一家公司能不能在某個模型基礎上做生意、而不需要先過律師這一關的,恰恰就是這些細節。
那麼,到底誰真的贏了
老實說,「誰贏了」從來就不是單一戰局,至少是三場並行的競賽,而每個陣營各自在不同的戰場上領先。在最頂尖的推理、程式設計與生成能力這種前沿實力上,閉源實驗室依然握有實質但正在縮小的優勢,像Epoch AI這樣的獨立追蹤機構持續發現,在任何一個時間點,最好的閉源模型都領先最好的開放權重模型幾個月——這並不是因為開源實驗室競爭力不足,而是因為前沿等級的訓練本身就是資本密集型的遊戲,誰能砸的錢多,誰就佔優勢。在成本與可取得性上,開放權重完勝:DeepSeek與同級的開源模型,每個token的價格經常比閉源API便宜四到十倍,而且在本地端跑模型代表不用按請求付費,也不必仰賴廠商持續維持某個端點的運作——考慮到閉源模型的存取政策時常在廠商重新協商條款或應對爭議時毫無預警地說變就變,這其實是真實存在的風險。至於完全不想碰基礎設施的使用者所在乎的產品體驗,閉源平台依然預設佔上風,因為一個不用自己動手架設就能用的精緻應用程式,永遠會贏過一個雖然更強、卻要你自己搭建服務架構的模型。
這三條軸線沒有一條會消失,這也是為什麼這整個領域始終圍繞著這三條軸線同時運作,而不會收斂成一個唯一贏家。可以預期未來還會出現更多像OpenAI的gpt-oss這樣的釋出——閉源實驗室藉由推出開放權重層級來對沖風險,搶下開發者的心佔率,同時又不會蠶食自家旗艦API的生意——而真正決定認真的團隊會選擇在哪個模型上構建產品的,終究不會是基準測試分數,而會持續是授權條款裡的那些小字。