开源 vs 闭源：同一份权重，两种交付
训练管线跑完，产出一个几十 GB 的文件。接下来只剩一个决策：这个文件公开吗？
就这一个二选一，分叉出了两个平行生态、两套成本模型、两种隐私边界、两类风险。而分叉之后，两边跑的推理原理一模一样------同样的 prefill/decode、同样的 KV Cache、同样的采样参数。
这一篇讲清楚：分叉点到底在哪、七个维度的系统对比、三个问题如何定选型、自建到底什么时候才划算、以及两个生态如何持续互相塑造。它对应运行示例的第 1 步和第 5 步------下载权重 vs 调 API，隐私自持 vs 按 token 计费。
缩写对照表
| 缩写 | 英文全称 | 中文 |
|---|---|---|
| API | Application Programming Interface | 应用程序接口 |
| VPC | Virtual Private Cloud | 虚拟私有云 |
| LoRA | Low-Rank Adaptation | 低秩适配（参数高效微调方法） |
| SLA | Service Level Agreement | 服务等级协议 |
| TCO | Total Cost of Ownership | 总拥有成本 |
| GDPR | General Data Protection Regulation | 通用数据保护条例 |
| MAU | Monthly Active Users | 月活跃用户数 |
| MoE | Mixture of Experts | 混合专家 |
一、分叉点在哪
#mermaid-svg-ZzB4qA80sKeriWhw{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-ZzB4qA80sKeriWhw .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-ZzB4qA80sKeriWhw .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-ZzB4qA80sKeriWhw .error-icon{fill:#552222;}#mermaid-svg-ZzB4qA80sKeriWhw .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-ZzB4qA80sKeriWhw .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-ZzB4qA80sKeriWhw .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-ZzB4qA80sKeriWhw .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-ZzB4qA80sKeriWhw .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-ZzB4qA80sKeriWhw .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-ZzB4qA80sKeriWhw .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-ZzB4qA80sKeriWhw .marker{fill:#333333;stroke:#333333;}#mermaid-svg-ZzB4qA80sKeriWhw .marker.cross{stroke:#333333;}#mermaid-svg-ZzB4qA80sKeriWhw svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-ZzB4qA80sKeriWhw p{margin:0;}#mermaid-svg-ZzB4qA80sKeriWhw .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-ZzB4qA80sKeriWhw .cluster-label text{fill:#333;}#mermaid-svg-ZzB4qA80sKeriWhw .cluster-label span{color:#333;}#mermaid-svg-ZzB4qA80sKeriWhw .cluster-label span p{background-color:transparent;}#mermaid-svg-ZzB4qA80sKeriWhw .label text,#mermaid-svg-ZzB4qA80sKeriWhw span{fill:#333;color:#333;}#mermaid-svg-ZzB4qA80sKeriWhw .node rect,#mermaid-svg-ZzB4qA80sKeriWhw .node circle,#mermaid-svg-ZzB4qA80sKeriWhw .node ellipse,#mermaid-svg-ZzB4qA80sKeriWhw .node polygon,#mermaid-svg-ZzB4qA80sKeriWhw .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-ZzB4qA80sKeriWhw .rough-node .label text,#mermaid-svg-ZzB4qA80sKeriWhw .node .label text,#mermaid-svg-ZzB4qA80sKeriWhw .image-shape .label,#mermaid-svg-ZzB4qA80sKeriWhw .icon-shape .label{text-anchor:middle;}#mermaid-svg-ZzB4qA80sKeriWhw .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-ZzB4qA80sKeriWhw .rough-node .label,#mermaid-svg-ZzB4qA80sKeriWhw .node .label,#mermaid-svg-ZzB4qA80sKeriWhw .image-shape .label,#mermaid-svg-ZzB4qA80sKeriWhw .icon-shape .label{text-align:center;}#mermaid-svg-ZzB4qA80sKeriWhw .node.clickable{cursor:pointer;}#mermaid-svg-ZzB4qA80sKeriWhw .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-ZzB4qA80sKeriWhw .arrowheadPath{fill:#333333;}#mermaid-svg-ZzB4qA80sKeriWhw .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-ZzB4qA80sKeriWhw .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-ZzB4qA80sKeriWhw .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-ZzB4qA80sKeriWhw .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-ZzB4qA80sKeriWhw .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-ZzB4qA80sKeriWhw .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-ZzB4qA80sKeriWhw .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-ZzB4qA80sKeriWhw .cluster text{fill:#333;}#mermaid-svg-ZzB4qA80sKeriWhw .cluster span{color:#333;}#mermaid-svg-ZzB4qA80sKeriWhw div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-ZzB4qA80sKeriWhw .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-ZzB4qA80sKeriWhw rect.text{fill:none;stroke-width:0;}#mermaid-svg-ZzB4qA80sKeriWhw .icon-shape,#mermaid-svg-ZzB4qA80sKeriWhw .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-ZzB4qA80sKeriWhw .icon-shape p,#mermaid-svg-ZzB4qA80sKeriWhw .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-ZzB4qA80sKeriWhw .icon-shape .label rect,#mermaid-svg-ZzB4qA80sKeriWhw .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-ZzB4qA80sKeriWhw .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-ZzB4qA80sKeriWhw .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-ZzB4qA80sKeriWhw :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 是
否
同样的 prefill/decode
训练完成的权重文件
（safetensors
几十 GB~1 TB）
公开这个文件吗？
开源生态
HuggingFace 下载
→ vLLM / ollama 自部署
→ 可微调 / 蒸馏 / 量化
闭源生态
API 合约
→ 按 token 计费
→ 厂商负责推理集群与升级
能力可复现、数据自持
运维与算力自负
前沿能力、零运维
数据出域、账单线性增长
- 公开 → open weights（开放权重）：任何人可下载、自部署、微调。代表：Llama（Meta）、Qwen（阿里）、DeepSeek、Mistral、Gemma（Google）；
- 不公开 → closed API（闭源 API）：权重是核心商业资产，能力只通过接口出租。代表：GPT（OpenAI）、Claude（Anthropic）、Gemini（Google）。
关键认知 ：这个分叉发生在权重文件这一层，而不是技术栈的任何其他地方。分叉之后两边跑的都是 08 · 推理引擎 讲的同一套物理。开源和闭源之分不在技术，在交付合约。
二、再次澄清："开源"其实是"开放权重"
02 · LLM 到底是什么 提过一次，这里必须说透，因为它直接影响你的法务判断。
一个真正意义上的开源软件，你能拿到源代码、能审计、能从头构建。而一个"开源模型"，你拿到的是：
| 要素 | 通常公开吗 | 意味着 |
|---|---|---|
| 权重文件 | ✅ 公开 | 可以运行、微调、量化、蒸馏 |
| 模型架构与推理代码 | ✅ 公开 | 可以理解它怎么跑 |
| 训练数据 | ❌ 通常不公开 | 无法审计它学了什么、有无版权/隐私问题 |
| 完整训练代码与配方 | ❌ 通常不完整 | 无法从零复现出这份权重 |
你能复用结果，但无法复现过程。 真正三者全开的模型（OLMo、Pythia 等）是少数，主要服务于研究。
许可证：能下载 ≠ 能随便用
各家的许可证差异很大，且都不是标准开源许可证：
- Llama 系列：自有许可证，包含月活用户数（MAU）阈值条款------超过一定规模需要单独申请商用授权；早期版本还限制"用其输出去训练其他模型"；
- Qwen / DeepSeek / Mistral 部分模型：条款相对宽松，部分采用 Apache-2.0；
- Gemma：自有条款，附带使用政策限制。
商用之前必须读许可证，而且要读你实际用的那个版本的许可证。 同一个家族的不同规格、不同代际，条款可能不同。这是开源路线上最容易被忽略、后果最实在的风险。
三、七维度系统对比
| 维度 | 开源（自部署） | 闭源（API） |
|---|---|---|
| 能力上限 | 追赶极快（DeepSeek-R1 时刻），但最前沿通常晚 6~12 个月 | 前沿能力的第一现场 |
| 成本模型 | 前期投入（GPU / 运维）+ 边际成本趋近电费；量大更划算 | 零前期投入，按 token 线性增长；量小更划算 |
| 数据隐私 | 数据不出你的机器 / VPC------合规刚需场景的决定性优势 | 数据经过厂商（有企业级合规承诺，但信任模型不同） |
| 定制权 | 全量微调、LoRA、改采样器、蒸馏、改架构------权重任你处置 | 有限的微调接口 + 提示词工程 |
| 运维负担 | 推理引擎、显存规划、扩缩容、监控全归你 | 全归厂商，你只管调 API |
| 可控性 / 稳定性 | 权重版本永久固定，行为可复现 | 厂商升级 / 下线模型，行为可能漂移 |
| 生态 | HuggingFace、ollama、vLLM、开放微调社区 | 官方 SDK、工具生态（函数调用、缓存定价、批处理接口） |
有两行值得单独展开。
"行为可复现"这一条被严重低估
闭源 API 的模型是会变的。厂商推送一次更新，你精心调好的提示词可能突然行为漂移；某个旧版本被下线，你的回归测试基线就没了。
而开源权重文件下载下来就是你的，十年后跑还是同样的输出（同样的采样种子下）。对于需要审计留痕、需要长期行为一致性的场景（金融、医疗、法务），这一条经常是决定性的。
"能力上限"的差距在缩小，但形态在变
开源追赶的速度确实惊人。但要注意一个结构性变化：前沿模型越来越多地把能力堆在"重型后训练 + 测试时计算"上 （见 07 · 后训练细拆 和 09 · 参数规模），而这两项恰恰是最难被开源社区复现的------它们需要的不是权重，而是大规模的偏好数据采集和 RL 基础设施。
四、自建到底什么时候才划算
"量大更划算"这句话需要一个具体的算法。核心结构是：
自建成本 = GPU 租赁/折旧 ⏟ 按小时计，与用量无关 + 运维人力 ⏟ 常被漏算 vs API 成本 = 单价 × token 量 \text{自建成本} = \underbrace{\text{GPU 租赁/折旧}}{\text{按小时计，与用量无关}} + \underbrace{\text{运维人力}}{\text{常被漏算}} \qquad\text{vs}\qquad \text{API 成本} = \text{单价} \times \text{token 量} 自建成本=按小时计，与用量无关 GPU 租赁/折旧+常被漏算 运维人力vsAPI 成本=单价×token 量
自建是固定成本，API 是变动成本。 交叉点由三个变量决定：
① 利用率（最重要的变量）
一张卡包月是全天候计费的，但你的流量有波峰波谷。如果日均利用率只有 15%，你实际上在为 85% 的空转付费。API 的单价里已经包含了厂商用高并发批处理摊薄成本的收益 （见 08 · 推理引擎 的批处理一节）------你自建时很难达到同样的批次密度。
② 模型规格
需要 70B 才够用，还是 8B 就行？8B 量化后可能一张消费级卡就够，交叉点很低；70B 要多卡，交叉点高得多。
③ 隐藏成本
推理引擎调优、显存规划、扩缩容、监控告警、模型升级、故障响应------这部分几乎总是被低估。一个能维护生产级推理服务的工程师，其人力成本可能就超过了你省下的 API 费用。
经验性的结论：
- 持续高负载 + 中小模型够用 + 已有运维团队 → 自建通常划算；
- 流量波动大 / 需要前沿能力 / 团队没有推理运维经验 → API 几乎总是更划算；
- 中间地带 → 先用 API 跑起来，等用量稳定且账单变成真实痛点时再评估迁移。
不要在产品验证期自建。 这是最常见的过早优化。
五、三个问题定选型
抛开所有细节，实际决策通常归结为三个问题：
#mermaid-svg-XNrxoJx7vYysTba0{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-XNrxoJx7vYysTba0 .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-XNrxoJx7vYysTba0 .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-XNrxoJx7vYysTba0 .error-icon{fill:#552222;}#mermaid-svg-XNrxoJx7vYysTba0 .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-XNrxoJx7vYysTba0 .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-XNrxoJx7vYysTba0 .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-XNrxoJx7vYysTba0 .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-XNrxoJx7vYysTba0 .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-XNrxoJx7vYysTba0 .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-XNrxoJx7vYysTba0 .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-XNrxoJx7vYysTba0 .marker{fill:#333333;stroke:#333333;}#mermaid-svg-XNrxoJx7vYysTba0 .marker.cross{stroke:#333333;}#mermaid-svg-XNrxoJx7vYysTba0 svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-XNrxoJx7vYysTba0 p{margin:0;}#mermaid-svg-XNrxoJx7vYysTba0 .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-XNrxoJx7vYysTba0 .cluster-label text{fill:#333;}#mermaid-svg-XNrxoJx7vYysTba0 .cluster-label span{color:#333;}#mermaid-svg-XNrxoJx7vYysTba0 .cluster-label span p{background-color:transparent;}#mermaid-svg-XNrxoJx7vYysTba0 .label text,#mermaid-svg-XNrxoJx7vYysTba0 span{fill:#333;color:#333;}#mermaid-svg-XNrxoJx7vYysTba0 .node rect,#mermaid-svg-XNrxoJx7vYysTba0 .node circle,#mermaid-svg-XNrxoJx7vYysTba0 .node ellipse,#mermaid-svg-XNrxoJx7vYysTba0 .node polygon,#mermaid-svg-XNrxoJx7vYysTba0 .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-XNrxoJx7vYysTba0 .rough-node .label text,#mermaid-svg-XNrxoJx7vYysTba0 .node .label text,#mermaid-svg-XNrxoJx7vYysTba0 .image-shape .label,#mermaid-svg-XNrxoJx7vYysTba0 .icon-shape .label{text-anchor:middle;}#mermaid-svg-XNrxoJx7vYysTba0 .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-XNrxoJx7vYysTba0 .rough-node .label,#mermaid-svg-XNrxoJx7vYysTba0 .node .label,#mermaid-svg-XNrxoJx7vYysTba0 .image-shape .label,#mermaid-svg-XNrxoJx7vYysTba0 .icon-shape .label{text-align:center;}#mermaid-svg-XNrxoJx7vYysTba0 .node.clickable{cursor:pointer;}#mermaid-svg-XNrxoJx7vYysTba0 .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-XNrxoJx7vYysTba0 .arrowheadPath{fill:#333333;}#mermaid-svg-XNrxoJx7vYysTba0 .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-XNrxoJx7vYysTba0 .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-XNrxoJx7vYysTba0 .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-XNrxoJx7vYysTba0 .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-XNrxoJx7vYysTba0 .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-XNrxoJx7vYysTba0 .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-XNrxoJx7vYysTba0 .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-XNrxoJx7vYysTba0 .cluster text{fill:#333;}#mermaid-svg-XNrxoJx7vYysTba0 .cluster span{color:#333;}#mermaid-svg-XNrxoJx7vYysTba0 div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-XNrxoJx7vYysTba0 .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-XNrxoJx7vYysTba0 rect.text{fill:none;stroke-width:0;}#mermaid-svg-XNrxoJx7vYysTba0 .icon-shape,#mermaid-svg-XNrxoJx7vYysTba0 .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-XNrxoJx7vYysTba0 .icon-shape p,#mermaid-svg-XNrxoJx7vYysTba0 .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-XNrxoJx7vYysTba0 .icon-shape .label rect,#mermaid-svg-XNrxoJx7vYysTba0 .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-XNrxoJx7vYysTba0 .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-XNrxoJx7vYysTba0 .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-XNrxoJx7vYysTba0 :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 不能
能
不在
在
是
否
① 数据能出域吗？
开源自部署
（几乎没有选择余地）
② 需要的能力
在开源前沿之内吗？
闭源 API
③ 用量大到
摊平自建成本了吗？
顺序很重要：①是硬约束，②是能力约束，③才是经济性问题。
如果医疗数据不能出内网，那么后面两个问题都不用问了------即使 API 更便宜、能力更强，也不是选项。反过来，如果你需要的是最前沿的推理能力，开源那边根本没有对等物，成本再优也无从谈起。
三个"是"选开源，任何一个硬性"否"基本就定了方向。
六、两个生态如何互相塑造
这不是静态对峙，而是一个持续的反馈循环。
开源是整个市场的价格锚
每一次开源模型逼近前沿（Llama-3、DeepSeek-R1、Qwen 各代），闭源 API 都应声降价或推出更强的低价档位。
原因很直接：当一个能力水平可以被免费下载时，为这个能力收费的空间就消失了。闭源厂商的定价权只存在于"开源还够不到"的那一段能力区间------而这个区间在被持续压缩。
即使你从不打算自部署，开源生态也在直接压低你的 API 账单。
闭源反哺开源
蒸馏（见 09 · 参数规模）让开源小模型可以间接吸收闭源大模型的能力。许可证对此多有限制，执行也困难，但趋势明确：能力从闭源向开源的渗透，比权重本身的流动快得多。
混合架构成为主流
生产系统里最常见的其实不是二选一，而是按任务路由：
| 任务类型 | 走哪边 | 理由 |
|---|---|---|
| 高频、简单、量大（分类、抽取、改写） | 本地小模型 | 成本、延迟 |
| 涉及敏感数据 | 本地模型 / VPC 部署 | 合规 |
| 复杂推理、长文档分析、创意生成 | 闭源 API | 能力 |
| 兜底 / 降级 | 另一边 | 可用性 |
这个设计之所以可行，正是因为 08 · 推理引擎 里说的统一契约：两边都是"prompt 进、token 流出"，切换成本主要在提示词调优而非架构改造。
"开源 vs 闭源"在真实生产系统里，通常不是一道选择题，而是一个路由表。
⚓ 回到示例
运行示例第 1 步和第 5 步的本质：
第 1 步 · 为什么你能 ollama pull llama3 却永远不能 ollama pull claude
因为 Meta 把那个 16 GB 的文件放上了公网，而 Anthropic 没有。就这么简单。
分叉之后，你笔记本上跑的 prefill/decode 和 Anthropic 集群上跑的原理完全一致 ------差别只在模型规模、硬件档次和工程成熟度。开源/闭源之分不在技术栈，在交付合约。
第 5 步 · 两张不同的收据
- 本地这路 ：这轮对话从未离开你的笔记本，KV Cache 随 ollama 会话释放，成本是几分钱电费。在医疗、金融、法务场景里，"数据没出去"这一条本身就足以定选型；
- API 那路 ：你的约 30 个输入 token 和几百个输出 token 按价目表计费，走的正是 08 · 推理引擎 讲的那套物理成本结构（输入走 prefill 便宜、输出走 decode 贵）。你买到了前沿质量，交出了数据经手权和每 token 的钱。
示例里没发生、但值得知道的第三条路 ：如果你想让这个 8B 记住你公司的内部术语和文档规范，你可以直接用 LoRA 微调它------花几十美元、几小时，得到一个永久属于你的专用版本。这是闭源路线给不了的深度定制权，也是很多团队最终选择开源的真正理由（不是省钱，是控制权）。
七、两侧各自的真实风险
开源侧
- 许可证违规商用：法律风险，且往往在融资尽调或上市审计时才暴露；
- 供应链投毒 ：从非官方渠道下载被篡改的权重。认准官方仓库、校验哈希------权重文件是可以被植入后门的；
- 部署安全配错：推理服务端口裸奔公网是真实事故。vLLM/ollama 的默认配置通常没有鉴权；
- 自己微调砸了 ：灾难性遗忘导致通用能力退化，而你没有回归评测集所以没发现（见 07 · 后训练细拆）。
闭源侧
- 行为漂移 ：厂商升级模型导致提示词效果变化。没有版本锁定 + 回归测试的团队，迟早会被这一条打到；
- 可用性天花板：API 限流、宕机直接成为你的服务上限，你的 SLA 不可能高于上游的 SLA；
- 模型下线：你依赖的版本被弃用，被迫在给定期限内迁移；
- 供应商锁定（vendor lock-in）：深度使用某家的私有特性（特定的工具调用格式、缓存机制、结构化输出）后，迁移成本显著上升。
共同的
幻觉、越狱、提示词注入攻击，两边都有。 交付形态不改变模型的内生弱点------一个开源模型不会因为你能看到权重就少编一点（见 11 · 幻觉的机制）。
一句话总结
开源和闭源是同一份权重的两种交付方式 ：公开下载给你控制权、隐私、可复现性和定制自由，代价是算力账单和运维负担；API 出租给你前沿能力和零运维，代价是数据出域、行为漂移风险和线性增长的账单。技术栈完全相同，合约完全不同。 选型归结为三个问题------数据能否出域、能力够不够、用量摊不摊得平------而在真实的生产系统里，答案往往不是二选一，是一张路由表。
下一篇 ：13 · 完整重演：带着全部深度重跑运行示例 ------ 十二篇的深度，缝成一条连续的时间线。
系列目录 ：<index.md>