Modello open-weight

Open weights, open source e modelli proprietari

Tre livelli di apertura vengono confusi di continuo. Un modello proprietario (come le famiglie GPT o Claude) tiene privati i propri pesi: puoi raggiungerlo solo tramite l'API ospitata dal creatore, quindi i tuoi prompt finiscono sulla sua infrastruttura. Un modello open-weight pubblica i parametri addestrati con una licenza, così che chiunque possa eseguirlo in proprio, ma non rilascia necessariamente il codice e i dati necessari per riprodurlo. Un modello open source in senso pieno va oltre e pubblica anche il codice e i dati di addestramento. La Open Source AI Definition della Open Source Initiative traccia proprio questa linea: i soli pesi 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 tutti i modelli oggi presentati come "open source", tra cui DeepSeek, Qwen e Gemma, sono in realtà modelli open-weight: i pesi sono distribuiti con una licenza permissiva (Gemma 4, per esempio, con Apache 2.0), mentre i dati di addestramento restano privati. Per usare un modello questa differenza conta di rado. Conta invece moltissimo per stabilire chi controlla dove il modello gira, e quindi dove finiscono i tuoi dati.

Cosa pubblica ogni tipo di modello

Perché gli open weights sono la base dell'inferenza sovrana

Poiché i pesi sono solo un file di numeri, non hanno alcun legame con il loro creatore. Un file di pesi contiene numeri fissi che definiscono una funzione matematica. Non può agire da solo e non ha al suo interno alcun meccanismo per inviare dati da qualche parte. Chi ospita i pesi controlla l'intero percorso dei dati. Se chiami un'API proprietaria, il cloud del creatore del modello vede ogni prompt. Se esegui un modello open-weight su Infercom, il creatore ha solo pubblicato i pesi e non ha alcuna visibilità su come girano: i tuoi dati arrivano invece alla nostra infrastruttura UE. Si possono paragonare i pesi pubblicati a un libro stampato: una volta pubblicato, l'autore non sa quale biblioteca lo conserva né chi lo sta leggendo.

È proprio questo che rende gli open weights la base tecnica dell'inferenza sovrana nell'UE. Il paese d'origine del modello non conta per stabilire dove si trovano i tuoi dati, perché il creatore non ospita nulla. Un modello addestrato ovunque può servire gli utenti europei interamente sotto giurisdizione UE, se gira su infrastruttura europea. Le richieste ai nostri modelli ospitati nell'UE vengono elaborate in un datacenter a Monaco, su suolo europeo e secondo il diritto UE, senza una società madre statunitense e quindi senza esposizione al CLOUD Act statunitense. Anche il quadro normativo riconosce questa categoria: l'AI Act dell'UE prevede obblighi più leggeri per i modelli per finalità generali liberi e open source rispetto a quelli chiusi.

I modelli open-weight sono all'altezza?

Il divario di capacità che un tempo giustificava un sovrapprezzo per i modelli chiusi si è in gran parte chiuso per i workload quotidiani. Tracker indipendenti come Epoch AI misurano il ritardo tra i migliori modelli aperti e i migliori chiusi in mesi, non in generazioni, e osservano che non si sta allargando. Per la maggior parte delle attività di produzione, come chat, estrazione, codice e agenti, un modello open-weight attuale è competitivo, e su hardware progettato apposta può girare molto più velocemente.

Usare gli open weights offre inoltre qualcosa che le API chiuse non possono dare: il controllo su dove e come gira il modello. Sulla nostra infrastruttura dataflow eseguiamo modelli open-weight come MiniMax M2.7 e gpt-oss-120b a velocità ben superiori a quelle dei tipici provider di API su GPU, e ogni richiesta resta nell'UE. L'origine diventa così una questione di comportamento, non di sicurezza dei dati. La domanda decisiva non è più "Il creatore del modello può vedere i miei dati?" (per architettura, no), ma "Mi fido del mio provider di inferenza?".