Open-weight-model

Open weights, open source og proprietære modeller

Tre niveauer af åbenhed bliver hele tiden blandet sammen. En proprietær model (som GPT- eller Claude-familierne) holder sine vægte hemmelige. Du kan kun nå den via producentens hostede API, og dine prompts havner dermed på producentens infrastruktur. En open-weight-model offentliggør de trænede parametre under en licens, så alle selv kan køre den, men frigiver ikke nødvendigvis den kode og de data, der skal til for at genskabe den. En ægte open source-model går videre og offentliggør også træningskode og træningsdata. Open Source Initiatives Open Source AI Definition trækker netop denne grænse: Vægte alene er ikke "open source" uden de oplysninger om data og den træningskode, der gør det muligt at undersøge og genopbygge modellen.

I praksis er næsten alle modeller, der i dag markedsføres som "open source", herunder DeepSeek, Qwen og Gemma, i virkeligheden open-weight-modeller: Vægtene udgives under en permissiv licens (Gemma 4 for eksempel under Apache 2.0), mens træningsdataene forbliver private. For brugen af en model betyder forskellen sjældent noget. Så meget desto mere betyder den for, hvem der bestemmer, hvor modellen kører, og dermed hvor dine data ender.

Hvad hver type model offentliggør

Hvorfor open weights er fundamentet for suveræn inferens

Fordi vægtene kun er en fil med tal, har de ingen forbindelse tilbage til deres skaber. En vægtfil rummer faste tal, der definerer en matematisk funktion. Den kan ikke handle på egen hånd og har ingen mekanisme indeni til at sende data nogen steder hen. Den, der hoster vægtene, kontrollerer hele datastien. Kalder du en proprietær API, ser modelskaberens cloud hver prompt. Kører du en open-weight-model på Infercom, har skaberen kun udgivet vægtene og har ingen indsigt i, hvordan de kører: Dine data går i stedet til vores EU-infrastruktur. Man kan sammenligne udgivne vægte med en trykt bog. Når forfatteren først har udgivet den, ved forfatteren ikke, hvilket bibliotek der har den, eller hvem der læser den.

Det er netop det, der gør open weights til det tekniske fundament for EU-suveræn inferens. Modellens oprindelsesland er uden betydning for, hvor dine data befinder sig, fordi skaberen ikke hoster noget. En model, der er trænet hvor som helst, kan betjene brugere i Europa helt under EU-jurisdiktion, når den kører på europæisk infrastruktur. Forespørgsler til vores EU-hostede modeller kører i et datacenter i München, på EU-jord og under EU-lovgivning. Der er intet amerikansk moderselskab, og derfor er vi ikke eksponeret for den amerikanske CLOUD Act. Også regelsættet anerkender kategorien: EU's AI Act stiller lettere krav til frie og open source-modeller til almene formål end til lukkede modeller.

Er open-weight-modeller gode nok?

Den afstand i ydeevne, der engang retfærdiggjorde en merpris for lukkede modeller, er stort set lukket for hverdagens workloads. Uafhængige trackere som Epoch AI angiver forsinkelsen mellem de bedste åbne og de bedste lukkede modeller i måneder, ikke generationer, og konstaterer, at den ikke vokser. Til de fleste opgaver i produktion, som chat, dataudtræk, kode og agenter, er en aktuel open-weight-model konkurrencedygtig, og på specialbygget hardware kan den køre langt hurtigere.

At køre open weights giver desuden noget, lukkede API'er ikke kan: kontrol over, hvor og hvordan modellen kører. På vores dataflow-infrastruktur kører vi open-weight-modeller som MiniMax M2.7 og gpt-oss-120b med hastigheder langt over typiske GPU-baserede API-udbydere, og hver forespørgsel bliver i EU. Oprindelsen bliver dermed et spørgsmål om adfærd, ikke om datasikkerhed. Det afgørende spørgsmål er ikke længere "Kan modelskaberen se mine data?" (arkitektonisk kan den ikke), men "Stoler jeg på min inferensudbyder?".