Modele open weight: co dostajesz, na co pozwala licencja i kiedy ich używać

Czym są modele open weight? Opublikowane wagi, i nic więcej

Open weight, co to w praktyce? Wytrenowany model językowy to fizycznie duży plik liczb: miliardy parametrów ustawionych podczas treningu, które decydują, jak model zamienia pytanie w odpowiedź. Gdy twórcy publikują model jako open weight, możesz pobrać właśnie ten plik, zwykle w formacie safetensors na Hugging Face, razem z konfiguracją, tokenizerem i kartą modelu.

Zwykle nie dostajesz danych treningowych, kodu i przepisu na trening ani zestawów, na których liczono opublikowane wyniki. Model możesz więc uruchomić, dostroić i testować do woli, ale nie odbudujesz go od zera i nie sprawdzisz, na czym się uczył.

Dokładnie w tym miejscu granicę stawia Open Source Initiative. Open Source AI Definition 1.0 wymaga trzech elementów: wystarczająco szczegółowych informacji o danych treningowych, pełnego kodu do trenowania i uruchamiania systemu oraz samych parametrów. Do tego dochodzą cztery swobody: używanie, badanie, modyfikowanie i udostępnianie, w dowolnym celu.

Większość głośnych premier publikuje wagi i na tym kończy, więc według tego testu to modele open weight, nie open source. Polskie media i tak często nazywają je „open source”, więc warto czytać karty modeli, a nie nagłówki. Aktualny przegląd premier znajdziesz w zestawieniu nowości open source LLM. Ten tekst zostaje przy pojęciu, bo to ono decyduje, czy w ogóle możesz któregoś użyć.

Open weight vs open source: dlaczego ta różnica obchodzi kupującego

Open weight vs open source brzmi jak spór o nazwy, a najlepiej widać to na pytaniu, czy Llama jest open source.

Krótko: nie jest. OSI przeanalizowało licencję Mety w lutym 2025 i uznało, że Llama 3.x „is still not Open Source by any stretch of the imagination”, bo licencja dyskryminuje część użytkowników i ogranicza część zastosowań. Wagi można pobrać za darmo, a test oblewają warunki, które są do nich dołączone.

Kupującego obchodzi to z praktycznego powodu. Przy open source w rozumieniu OSI da się sprawdzić, na czym model trenowano, a to ma znaczenie w dniu, w którym klient albo urząd zapyta, czy weszły tam dane osobowe lub cudze utwory. Przy open weight bierzesz model taki, jaki jest, i polegasz na karcie modelu. Słowo „otwarty” bywa też naciągane: wydania z limitami użytkowników, progami przychodu czy klauzulą niekomercyjną wciąż reklamuje się jako otwarte, co krytycy nazywają open washingiem.

Środkową kolumnę warto przeczytać dwa razy. Open weight obejmuje wszystko od „rób, co chcesz” po „jeśli jesteś duży, zapytaj nas najpierw”, więc etykieta sama mówi niewiele. Resztę mówi licencja.

Licencja modelu open weight to właściwy produkt: ściąga po ludzku

Każda licencja modelu open weight odpowiada na te same pytania: czy wolno używać komercyjnie, czy wolno dostrajać, czy można sprzedawać dostęp przez API, czy trzeba kogoś wymienić z nazwy i czego robić nie wolno. Odpowiedzi różnią się bardziej, niż sugerują komunikaty prasowe.

Zacznijmy od polskich modeli, bo tu pułapka jest najbardziej konkretna. Bielik 11B v3, zbudowany przez SpeakLeash i ACK Cyfronet AGH na superkomputerach Athena i Helios, ma licencję Apache 2.0. Na pytanie o licencję komercyjną Bielika odpowiedź brzmi więc „tak”, ale tylko dla właściwej wersji: Bielik 7B Instruct v0.1 wyszedł na CC BY-NC 4.0, czyli wyłącznie do użytku niekomercyjnego. Podobnie z PLLuM: PLLuM 12B jest na Apache 2.0, a Llama-PLLuM-70B podlega licencji Llama 3.1, bo zbudowano go na modelu Mety.

Z modeli globalnych na Apache 2.0 są gpt-oss-120b, Qwen3 i od kwietnia 2026 Gemma 4, a DeepSeek V4 jest na MIT. Licencja Llama 4 wymaga osobnej zgody Mety powyżej 700 mln aktywnych użytkowników miesięcznie, napisu „Built with Llama” i nazwy pochodnego modelu zaczynającej się od „Llama”. Jej zasady dopuszczalnego użycia nie przyznają praw do multimodalnych modeli Llama 4 osobom z miejscem zamieszkania w UE ani firmom z główną siedzibą w UE. Nie dotyczy to użytkowników końcowych gotowego produktu.

Druga pułapka: obowiązuje licencja, z którą pobrałeś wagi. Gdy twórcy zmieniają warunki dla nowej wersji, jak Google przy Gemmie 4, wcześniej pobrana kopia zostaje na starych warunkach. Trzymaj plik licencji obok wag, z datą pobrania, i czytaj kartę konkretnego checkpointu, a nie stronę całej rodziny.

Lokalny model językowy w firmie: cztery wzorce, które działają

Lokalny model językowy w firmie pojawia się zwykle w jednym z czterech zastosowań, a tylko jedno z nich dotyczy głównie oszczędności.

Prywatne wyszukiwanie w dokumentach. Cały pipeline, od embeddingów przez bazę wektorową po sam model, działa w twojej sieci, więc umowy czy dokumentacja medyczna jej nie opuszczają. Trudne części są takie same jak przy każdym RAG na bazie wiedzy i przy dostępie AI do firmowych danych. Model to po prostu kolejny komponent, który teraz hostujesz.

Wąskie zadanie albo język polski. Mniejszy, dostrojony model często wygrywa z dużym ogólnym na tym jednym zadaniu. Credit Agricole kupił serwery GPU i uruchomił Bielika lokalnie jako narzędzie polCA do korekty tekstów według zasad prostego języka, a według Bezprawnika w Pekao Bielik działa on-premise, a InPost udostępnia czat oparty na Bieliku w aplikacji dla ponad 15 mln użytkowników.

Administracja. Asystent oparty na PLLuM w mObywatelu, aplikacji z ponad 12 mln użytkowników, przeprowadził ponad 730 tys. rozmów, według danych z sierpnia 2026, bez podanej daty granicznej. Gdynia, Poznań i Łódź pilotują go w urzędach. W maju 2026 ministerstwo i konsorcjum HIVE AI pod kierunkiem NASK udostępniły 11 nowych modeli PLLuM w rozmiarach 4B, 8B, 12B i 70B. Według karty modelu PLLuM 12B dotacja Ministra Cyfryzacji na rozwój PLLuM w 2025 roku wyniosła około 18,5 mln zł.

Zamrożona wersja albo praca bez internetu. Wagi, które hostujesz, zmieniają się tylko wtedy, gdy ty je zmienisz. To pasuje do procesów, które muszą działać identycznie latami, oraz do miejsc bez stałego łącza.

Częsty błąd to wołanie hostowanego API otwartego modelu i traktowanie tego jak on-premise. To nie jest on-premise, bo dane i tak wychodzą. Otwarte wagi dają co innego: możliwość przeprowadzki, bo ten sam model ruszy u innego dostawcy albo na twoim serwerze, czego żadne zamknięte API nie oferuje.

Własny serwer czy API: otwarte wagi rzadko są darmowe

Licencja jest darmowa, ale GPU, ludzie i aktualizacje już nie, a większość porównań własnego serwera z API liczy tylko cenę GPU i właśnie tam się myli.

Zacznij od GPU, bo to jedyna pozycja z publiczną ceną. Cennik CloudFerro dla chmury WAW3-2 podaje pełne NVIDIA H100 za 6,29 EUR za godzinę albo 2776 EUR miesięcznie przy umowie rocznej, a pełne L40S za 1,97 EUR za godzinę albo 888 EUR miesięcznie (ceny netto, sprawdzone 30 października 2026). Jaka karta wystarczy dla konkretnego modelu, to osobne pytanie, opisane w poradniku o wymaganiach sprzętowych.

Potem przychodzi wykorzystanie, czyli liczba, która zwykle rozstrzyga sprawę. Wynajęte albo kupione GPU kosztuje tyle samo, czy pracuje, czy stoi. Analiza kosztów IntuitionLabs mówi wprost, że niskie wykorzystanie bezpośrednio podnosi efektywny koszt tokenu. Rachunek jest prosty: serwer zajęty w 10% czasu płaci za użyteczny token mniej więcej dziesięć razy więcej niż ten sam serwer pod pełnym obciążeniem. Przytoczone tam badania pokazują, że większość produkcyjnych GPU pracuje poniżej 60% wykorzystania, a sama analiza odmawia podania uniwersalnego progu opłacalności. Uważamy, że to uczciwa odpowiedź.

Dalej są koszty, których nie ma w żadnej wycenie GPU. Ktoś musi aktualizować środowisko i reagować, gdy w nocy coś padnie. Potrzebny jest zestaw testów do powtarzania przed każdą zmianą modelu, do tego zabezpieczenia, logi i kontrola dostępu. Co kilka miesięcy pojawia się lepszy model, a przejście na niego to praca. Ten ciężar operacyjny to jeden z typowych powodów, dla których AI przechodzi demo i pada na produkcji.

Własny serwer często konkuruje nie z GPT czy Claude, tylko z tym samym otwartym modelem w cudzym API, gdzie ceny są niskie. W zestawieniu OpenRouter z czerwca 2026 cena wyjścia DeepSeek V4 Flash wychodzi mniej więcej 150 razy niższa niż GPT-5.5. Prywatne GPU stojące w połowie bezczynnie rzadko z tym wygra. Jeśli własny serwer wygrywa, to zwykle przez kontrolę nad danymi albo duży, stały wolumen, a nie cenę tokenu.

Rachunek do zrobienia w arkuszu jeszcze w tym tygodniu: miesięczny koszt GPU podziel przez liczbę tokenów, które naprawdę przetworzysz w miesiącu przy realnym obciążeniu, i porównaj wynik z ceną tokenu u dostawcy tego samego modelu. Potem dolicz koszt osoby, która to utrzymuje. Jeśli dalej wygląda dobrze, pilotaż ma sens, a część kosztu sprzętu da się czasem pokryć z dotacji na AI. PFR prowadził też bezpłatne webinary „Start z Bielikiem”, w tym o projektowaniu wdrożeń on-premise.

Otwarte modele AI zmieniają rynek, nawet jeśli żadnego nie pobierzesz

Otwarte modele AI ustawiają sufit cen, które mogą brać zamknięte laboratoria, i dają ci dokąd odejść, nawet jeśli korzystasz wyłącznie z API.

Najpierw ceny. Epoch AI policzyło, że koszt osiągnięcia danego poziomu jakości spadał od 9 do 900 razy rocznie, zależnie od progu. Rynek zobaczył, co otwarte premiery robią z tą krzywą, w styczniu 2025: po premierze DeepSeek Nvidia straciła około 589 mld USD wartości rynkowej w jeden dzień.

Potem jakość. Stanford w AI Index 2025 zmierzył przewagę najlepszego zamkniętego modelu nad najlepszym otwartym w Chatbot Arena: 8,04% w styczniu 2024 i 1,70% w lutym 2025. AI Index 2026 pokazuje, że luka znów się otworzyła, do 3,3% w marcu 2026. Epoch AI mierzy ją w czasie: w 2026 najlepsze otwarte modele są średnio około 4 miesiące za zamkniętą czołówką.

Geografia zamieniła to w politykę. Chińskie modele odpowiadały za 41% pobrań na Hugging Face w ostatnim roku, a sama rodzina Qwen ma ponad 113 tys. modeli pochodnych. Europa odpowiada projektami takimi jak OpenEuroLLM, z budżetem 37,4 mln EUR na budowę modeli dla wszystkich 24 języków urzędowych UE, a Polska własnymi Bielikiem i PLLuM.

Dla zwykłej firmy najpraktyczniejsza korzyść to droga wyjścia. Zamknięte modele są wycofywane według harmonogramu dostawcy, co wymusza migracje takie jak przejście na nową wersję Claude. Otwarty model, który hostujesz, zmienia się tylko wtedy, gdy ty zdecydujesz. A nawet jeśli żadnego nie hostujesz, sama świadomość, że istnieje wystarczająco dobra otwarta alternatywa, pomaga przy negocjowaniu umowy.

AI Act, open source i RODO: wyjątek jest węższy, niż się wydaje

Wyjątek dla open source w AI Act istnieje, ale jest wąski i napisany dla firmy, która model wypuszcza, a nie dla tej, która go używa.

Art. 53 ust. 1 AI Act nakłada na dostawców modeli AI ogólnego przeznaczenia cztery obowiązki: a) dokumentację techniczną dla organów, b) informacje dla firm budujących na modelu, c) politykę zgodności z prawem autorskim, d) publiczne streszczenie danych treningowych. Ust. 2, w brzmieniu z AI Act Service Desk Komisji, zaczyna się tak: „Obowiązków określonych w ust. 1 lit. a) i b) nie stosuje się do dostawców modeli AI, które są udostępniane na podstawie” bezpłatnej licencji otwartego oprogramowania, przy publicznie dostępnych parametrach, w tym wagach, architekturze i informacjach o użyciu. I kończy: „Wyjątku tego nie stosuje się do modeli AI ogólnego przeznaczenia z ryzykiem systemowym.” Chodzi o modele trenowane z mocą obliczeniową od 10²⁵ FLOP wzwyż.

FAQ Komisji do wytycznych GPAI zawęża to dalej: licencja musi pozwalać na dostęp, użycie, modyfikację i dystrybucję bez monetyzacji. Omówienie wytycznych na artificialintelligenceact.eu wymienia klauzule niekomercyjne i „tylko do badań” jako dyskwalifikujące, a płatny dostęp hostowany jako przejaw monetyzacji. Naszym zdaniem licencje z progami użytkowników, jak licencja Llamy, raczej się nie kwalifikują. To jednak papierologia dostawcy, nie twoja.

Dostrajanie też nie robi z ciebie dostawcy modelu. Według tego samego FAQ firma modyfikująca model staje się jego dostawcą dopiero wtedy, gdy zużywa na to ponad jedną trzecią mocy obliczeniowej użytej do trenowania oryginału. Dostrojenie w skali firmy jest daleko poniżej tego progu.

Jako podmiot stosujący masz obowiązki wynikające z tego, do czego używasz modelu, czyli z kategorii ryzyka, a nie z rodzaju licencji. Ta strona sprawy jest opisana w przewodniku po AI Act.

RODO a modele AI działa tak samo. Uruchomienie modelu na własnych serwerach zmienia to, kto przetwarza dane: nie ma zewnętrznego podmiotu przetwarzającego, umowy powierzenia z amerykańskim dostawcą ani transferu do państwa trzeciego. Twoje obowiązki zostają: podstawa prawna, DPIA tam, gdzie przetwarzanie jest ryzykowne, kontrola dostępu i logi. Model na wynajętym GPU w polskim lub unijnym regionie chmury to wariant pośredni: jest podmiot przetwarzający, ale bez transferu poza EOG.

Zabezpieczenia da się zdjąć, a wag nie da się odwołać

Open washing, czyli nazywanie czegoś open source wbrew licencji, to łagodniejsze ryzyko. Poważniejsze jest takie, że opublikowanych wag nie da się wycofać ani załatać u wszystkich, którzy już je mają.

Trening bezpieczeństwa można usunąć. NPR opisał w maju 2026, że na Hugging Face jest ponad 6000 modeli „abliterated”, z wyciętą zdolnością odmowy, wobec około 600 w 2024, a narzędzie Heretic robi to automatycznie w kilka minut. To liczba podana przez NPR, której sami nie odtworzyliśmy, ale kierunek nie budzi sporów.

Druga połowa to pochodzenie modelu. W lutym 2026 Anthropic ogłosił, że wykrył ponad 16 mln wymian przez około 24 tys. fałszywych kont służących do destylacji Claude, i wskazał DeepSeek, Moonshot oraz MiniMax. To twierdzenie strony sporu biznesowego, ale wniosek dla kupującego pozostaje: z samych wag nie widać, jak model trenowano, a część klientów i zamawiających publicznych pyta już o pochodzenie modelu. Sprawdź swoje umowy, zanim wybierzesz.

Plik modelu to też oprogramowanie z internetu, z tymi samymi ryzykami łańcucha dostaw co każdy niesprawdzony kod czy pakiet. Zanim cokolwiek pobierzesz, sprawdź na karcie modelu cztery rzeczy. Czy autor to oficjalne konto twórców, a nie podróbka? Czy plik licencji zgadza się z tym, co deklaruje karta? Czy jest opis danych treningowych? Czy wagi są w safetensors, a nie w plikach pickle, które przy wczytaniu mogą wykonać kod?

Publiczne rankingi nie powiedzą ci, jak model poradzi sobie z twoimi fakturami czy umowami. Dobrze widać to na sporze wokół testu Oxido z marca 2026, w którym Bielik i PLLuM wypadły słabo, a oba polskie zespoły zakwestionowały metodę: modele zagraniczne miały dostęp do internetu, polskie nie, a promptów nie opublikowano. Zbuduj mały zestaw testowy z własnych dokumentów i sam zmierz błędy.

Czy twoja firma powinna używać modeli open weight? Reguła decyzji

Przy wyborze open source LLM dla firm uczciwy punkt wyjścia to start na zamkniętym API z przygotowaną drogą wyjścia. Na otwarte wagi przejdź, gdy spełniony jest co najmniej jeden warunek.

Dane nie mogą wyjść poza firmę. Mówi tak umowa, regulator albo klient, a zamknięte API hostowane w UE tego nie załatwia.

Wolumen jest duży i stały. GPU byłoby zajęte przez większość dnia, a rachunek z sekcji o kosztach wychodzi na plus po doliczeniu ludzi.

Potrzebujesz zamrożonej wersji. Proces musi działać identycznie latami, a każde wycofanie modelu przez dostawcę oznaczałoby ponowną walidację.

Zadanie jest po polsku i wąskie. Polski model albo mały dostrojony model wygrywa w twoim teście, na twoich dokumentach.

Jeśli żaden warunek nie jest spełniony, zamknięte API zwykle wychodzi taniej i lepiej, a szersze rozumowanie „kupić czy budować” jest w czterech pytaniach o build vs buy. Gdy rozważasz polski model, poniższa tabela pomaga zawęzić wybór.

Zanim podejmiesz decyzję w którąkolwiek stronę, przejdź tę checklistę na własnym materiale.

1. Zbierz kilkadziesiąt prawdziwych zapytań z procesu, razem z odpowiedziami, które zaakceptowałby ktoś z twojego zespołu.

2. Przepuść je przez jeden otwarty model w hostowanym API, na przykład polski, i jeden zamknięty. Jeszcze bez serwerów.

3. Oceń oba według własnych kryteriów i zapisz, gdzie każdy się myli, a nie tylko jak często.

4. Przeczytaj licencję dokładnie tego checkpointu, który wdrożysz, razem z zasadami użycia, i zachowaj kopię.

5. Policz koszt tokenu przy realnym obciążeniu, z ludźmi, i zapisz, jak się przeniesiesz, gdyby model albo dostawca zniknął.

W skrócie: najpierw licencja, potem test na własnych danych

Modele open weight dają ci wytrenowany plik i swobodę uruchomienia go, gdzie chcesz, ale nie dane ani przepis, więc to nie open source. Licencja decyduje, co ci wolno, wykorzystanie GPU decyduje, ile to kosztuje, a wyjątek z AI Act dotyczy głównie twórców modelu. Luka do modeli zamkniętych liczy się w miesiącach, więc w wielu zadaniach firmowych o wyborze decydują kontrola nad danymi i wolumen, a nie surowa jakość.

Następny krok jest tani: weź jeden proces, zbuduj zestaw testowy z własnych dokumentów i porównaj na nim model otwarty z zamkniętym. Jeśli przyda ci się druga para oczu przy wynikach, robimy bezpłatny audyt właśnie takich decyzji.

FAQ