«Открытая модель» не значит «делай что хочешь». Веса выкладывают под разными лицензиями, и разница между ними становится критичной ровно в тот момент, когда модель попадает в продукт, за который платят.

Что вообще лицензируется

У модели три отдельных сущности, и лицензии на них могут отличаться:

• Веса — сам обученный файл. Это главное.
• Код запуска — обычно свободный, вопросов не вызывает.
• Результат генерации — текст или код, который модель произвела. Большинство современных лицензий прав на него не заявляет, но пункт стоит перечитать.

Четыре семейства

Три вопроса, которые снимают 90 % рисков

1. Продукт платный или бесплатный? Для Apache и MIT разницы нет. Для фирменных лицензий это первый вопрос анкеты.

2. Модель отдаётся клиентам или работает внутри? Если вы раздаёте веса или дообученную версию, требования к передаче лицензии и уведомлений вступают в силу.

3. Дообучение планируется? Производная модель наследует исходную лицензию. Файнтюн модели с ограничениями остаётся моделью с ограничениями.

Что проверять помимо текста лицензии

• Карточку модели. Иногда ограничения написаны там, а не в файле лицензии.
• Происхождение данных обучения. Лицензия на веса не покрывает претензии по обучающим данным.
• Версии. Разные выпуски одного семейства выходят под разными условиями — проверять надо ту версию, которую вы скачали.
• Провайдера API. Если вы обращаетесь к модели через чужой сервис, дополнительно действует его пользовательское соглашение.

Практическое правило

Для продукта, который будет расти, берите Apache 2.0 или MIT — они снимают юридические вопросы полностью. Модели с фирменными лицензиями стоит брать, когда их качество на вашей задаче даёт заметный отрыв и вы готовы разобрать условия внимательно.

Материал носит справочный характер: перед внедрением в коммерческий продукт условия конкретной версии модели стоит показать юристу — формулировки меняются от выпуска к выпуску.

Apache 2.0 — лицензия, под которой выходит значительная часть сильных открытых моделей: линейка Qwen, модели Mistral, GPT-OSS. Для коммерческого применения это самый спокойный вариант.

Что разрешено

• Использовать в коммерческих продуктах без отчислений и без ограничений по выручке.
• Дообучать, квантовать, переупаковывать.
• Распространять оригинал и производные, в том числе платно.
• Встраивать в закрытый продукт — раскрывать свой код не требуется.

Что нужно соблюсти

Требования сводятся к формальностям: сохранить текст лицензии и уведомления об авторстве, а при изменении файлов — пометить, что они изменены. Практически это означает положить рядом файл лицензии и не стирать копирайты.

Патентный пункт: зачем он нужен

Главное отличие от MIT — явная выдача патентных прав. Автор модели даёт вам право использовать связанные с ней патенты, а если вы подадите патентный иск против него по поводу этой модели, ваши права по лицензии прекращаются.

Для небольшой команды это выглядит абстракцией. Для компании, которая проходит юридическую проверку перед сделкой или раундом, наличие такого пункта — плюс: он снимает целый класс вопросов.

Кто под этой лицензией

Важная оговорка: под Apache 2.0 выходят не все модели семейства. Часть выпусков может быть под другими условиями, поэтому лицензию смотрят у конкретной версии, а не у бренда.

Когда этого достаточно

Если модель работает внутри вашего сервиса и вы не раздаёте веса — обязанностей у вас почти нет. Если раздаёте, добавьте в поставку файл лицензии и перечень изменений. На этом всё: ни отчислений, ни лимитов по числу пользователей, ни согласований.

MIT — лицензия объёмом в несколько строк. Под ней выходят DeepSeek, Phi, GLM и множество исследовательских моделей. Смысл сводится к одному: делайте что угодно, только сохраните упоминание авторства и не предъявляйте претензий по качеству.

Что разрешено

• Коммерческое использование в любом виде.
• Изменение, дообучение, переупаковка.
• Распространение, в том числе в составе закрытых продуктов.
• Сублицензирование — передача прав дальше на своих условиях.

Единственная обязанность

Сохранить текст лицензии и указание авторства в копиях. Всё. Ни уведомлений об изменениях, ни ограничений по аудитории.

Нюанс с патентами

В MIT нет патентного пункта. Права на использование предоставлены, но явной выдачи патентных прав нет — в отличие от Apache 2.0. На практике для языковых моделей это редко создаёт проблемы, но юристы крупных компаний обычно предпочитают Apache именно из-за этой ясности.

Кто под этой лицензией

MIT или Apache: что выбрать

Если выбор стоит между двумя одинаково подходящими моделями, смотрите не на лицензию, а на качество на вашей задаче: обе лицензии свободные и коммерчески безопасные. Разница проявляется только в двух ситуациях: у вас есть патентный портфель и юридические требования к его защите, либо вы поставляете модель как часть лицензируемого продукта крупному заказчику, у которого свои требования к формулировкам.

Модели семейства Llama распространяются не под свободной лицензией, а под собственным соглашением. Оно разрешает коммерческое использование, но добавляет условия, которых нет ни в Apache, ни в MIT.

Что разрешено

• Использовать модель в коммерческих продуктах.
• Дообучать под свои задачи.
• Распространять производные модели — при соблюдении требований ниже.

Три условия, о которых нужно знать

Порог по аудитории. В лицензии есть ограничение для очень крупных сервисов: при превышении установленного числа пользователей требуется отдельное разрешение правообладателя. Для подавляющего большинства проектов порог недостижим, но при быстром росте о нём стоит помнить заранее.

Именование. Производные модели должны нести в названии указание на исходное семейство. Это влияет на то, как вы называете свою дообученную версию в документации и карточке модели.

Политика допустимого использования. К лицензии приложен список запрещённых применений, и он передаётся дальше по цепочке: ваши пользователи тоже под него подпадают.

Почему Llama всё равно берут

Когда лучше взять другую модель

Если продукт продаётся крупным заказчикам с жёсткой юридической проверкой, каждая нестандартная лицензия — это дополнительный раунд согласований. В такой ситуации модель под Apache 2.0 сопоставимого качества сэкономит недели переписки.

Условия правообладатель периодически пересматривает, поэтому перед внедрением читайте текст, приложенный именно к вашей версии модели, а не пересказы. Это справочный материал, а не юридическая консультация.

Gemma — семейство компактных моделей Google с очень широкой языковой поддержкой. Распространяются они под собственными условиями использования, а не под Apache или MIT.

Что разрешено

• Коммерческое использование, включая продукты за деньги.
• Дообучение и создание производных моделей.
• Распространение, в том числе производных версий.

Главное отличие: политика применения

К лицензии приложен документ с перечнем запрещённых сценариев — от генерации вредоносного контента до отдельных чувствительных областей применения. Ключевая деталь: эту политику вы обязаны передавать дальше всем, кто получает от вас модель или производную от неё.

Практически это значит, что если вы отдаёте дообученную Gemma клиенту или выкладываете её публично, к поставке прикладывается тот же свод правил, а не только файл весов.

Что это меняет в работе

Ради чего это терпят

Gemma даёт очень хорошее качество на малых размерах и охватывает больше сотни языков, включая редкие. Для локального запуска на слабом железе и для многоязычных задач это один из сильнейших вариантов в своём классе.

Если же модель предполагается перепаковывать и распространять как часть открытого проекта, проще взять аналог под Apache 2.0 — меньше сопроводительных обязательств.

Условия периодически обновляются, поэтому читайте версию, приложенную к вашему выпуску модели. Материал справочный и не заменяет юридическую консультацию.

Число в названии модели — 8B, 32B, 120B — это количество параметров, настроечных коэффициентов внутри сети. Больше параметров обычно значит лучше, но зависимость давно перестала быть линейной.

На что реально влияет размер

Почему свежая 30B обгоняет прошлогоднюю 70B

Качество определяется не только размером, но и данными обучения, методом дообучения и архитектурой. За год методики двигаются достаточно, чтобы модель вдвое меньшего размера догнала предшественницу. Поэтому сравнивать имеет смысл модели одного поколения, а не одного размера.

Отдельная история — архитектура MoE: у модели может быть 100+ миллиардов параметров, но на каждый запрос работает лишь часть. Такая модель по скорости ближе к средней, а по качеству — к крупной.

Как выбрать размер под задачу

1. Начните с малого. Возьмите модель на 7–8B и прогоните свои реальные задачи.
2. Зафиксируйте, где она ошибается. Если ошибки в фактах и длинных рассуждениях — нужен размер больше. Если в формате ответа — нужен лучший промт, размер не поможет.
3. Поднимайтесь на ступень. 8B → 30B → 70B. На каждой ступени повторяйте тот же набор задач.
4. Остановитесь, когда прирост перестанет ощущаться. Обычно это происходит раньше, чем ожидаешь.

Ограничение сверху — ваше железо

Для локального запуска потолок задаёт видеопамять: примерно 0,5 гигабайта на миллиард параметров при 4-битном квантовании, плюс запас на контекст. При работе через API потолок задаёт бюджет: крупные модели дороже за тот же объём текста.

Разделы каталога по размеру помогут отобрать кандидатов: крупные — от 100 миллиардов параметров, средние — 30–70, малые — до 14.

Модели от ста миллиардов параметров — верхний эшелон открытых весов. Локально их запускают единицы, большинство работает через API. Вопрос не в том, лучше ли они, а в том, окупается ли разница.

Где отрыв заметен сразу

• Многошаговые задачи с условиями. Там, где нужно удержать десяток ограничений одновременно и не потерять ни одного.
• Работа с большим документом целиком. Договор, техзадание, объёмный отчёт — крупная модель реже теряет детали из середины.
• Редкие и узкие темы. Отраслевая терминология, специфические стандарты, малораспространённые языки.
• Код в контексте проекта. Не отдельная функция, а изменение с учётом связей между модулями.
• Нюансы стиля. Когда важен не смысл, а тон, и текст идёт читателю почти без правки.

Чем платите

Архитектура MoE меняет расклад

Часть крупных моделей построена по схеме mixture of experts: параметров много, но на каждый запрос активируется лишь их доля. Такая модель отвечает заметно быстрее плотной модели того же формального размера. Если в описании встречается пометка MoE, привычная связка «больше значит медленнее» работает уже не так прямолинейно.

Практический подход

Держать крупную модель как основной инструмент дорого и обычно не нужно. Рабочая схема — двухуровневая: повседневные задачи закрывает средняя модель, а к крупной обращаются точечно, когда задача действительно сложная. Разница в счёте за месяц получается кратной, а в качестве результата — почти незаметной.

Проверить, нужен ли вам этот уровень, просто: возьмите пять задач, где средняя модель ошибалась, и прогоните их через крупную. Если ошибок стало меньше — вы нашли свой сценарий. Если нет — размер вам не нужен, нужен другой промт.

Диапазон 30–70 миллиардов параметров — то место, где качество уже высокое, а требования ещё разумные. Для большинства практических задач именно здесь находится правильный ответ.

Что они делают уверенно

• Тексты любого типа: черновики, редактура, переписывание, адаптация под аудиторию.
• Код среднего объёма: функции, модули, тесты, разбор чужого кода.
• Анализ документов: выжимки, сравнение версий, поиск противоречий.
• Рассуждения на несколько шагов — с явной просьбой рассуждать пошагово.
• Перевод и локализация с приемлемым стилем.

Где начинают уступать крупным

На задачах, где нужно одновременно удерживать много условий, разбираться в редкой предметной области или работать с очень длинным документом целиком. Разрыв не драматический, но на сложных случаях виден.

Требования к железу

Практический вывод: видеокарта на 24 ГБ комфортно тянет модель на 32B в 4 битах с приличным контекстом. Это самая распространённая точка входа для локальной работы.

Кто в классе

Qwen3-32B, Llama 3.3 70B, актуальные выпуски Mistral и GLM. Внутри диапазона модели заметно отличаются по профилю: одна сильнее в коде, другая в языках. Выбирать стоит не по размеру, а по совпадению профиля с вашими задачами — разница внутри класса больше, чем разница между соседними классами.

Стратегия на практике

Возьмите одну среднюю модель как основную рабочую и держитесь её. Добавляйте вторую только под конкретную регулярную задачу — например, специализированную кодовую, если пишете код каждый день. Постоянные метания между моделями съедают больше времени, чем приносит выигрыш в пару процентов качества.

Модели до 14 миллиардов параметров решают узкие задачи быстро и почти бесплатно. Их главное преимущество не качество, а сочетание скорости, цены и возможности работать на своём железе.

Сильные стороны

Где ломаются

• Длинные рассуждения. К третьему-четвёртому шагу теряют нить.
• Редкие факты. Чем меньше модель, тем выше риск уверенной выдумки. Источник нужно давать в запросе, а не полагаться на память модели.
• Сложный код. Функция — да, модуль с зависимостями — нет.
• Тонкий стиль. Текст получается корректным, но плоским.

Как выжать максимум

1. Ставьте узкую задачу. «Выбери одну категорию из списка» работает намного лучше, чем «проанализируй текст».
2. Давайте пример. Один-два образца нужного ответа поднимают качество сильнее, чем любые объяснения.
3. Кладите источник в запрос. Модель должна работать с вашим текстом, а не вспоминать.
4. Не раздувайте контекст. Лишние тысячи токенов истории замедляют ответ и размывают внимание.
5. Просите строгий формат. JSON или список с фиксированными полями упрощает разбор и снижает разброс.

Железо

Модель на 8B в 4-битном квантовании занимает около 4 ГБ видеопамяти плюс запас на контекст — помещается в видеокарту начального уровня. Модель на 4B работает и на встроенной графике ноутбука, хотя и медленнее. Без видеокарты, на процессоре, запустится тоже, но скорость будет измеряться единицами токенов в секунду — для диалога некомфортно, для фоновой обработки приемлемо.

Комбинированный подход

Сильная схема для потоковых задач: малая модель делает первичную обработку всего объёма, а спорные случаи отправляются в модель покрупнее. Так стоимость остаётся низкой, а качество на сложных примерах не проседает.

Открытых моделей сегодня десятки, и каждый месяц выходят новые. Универсального лидера нет — есть модели, которые лучше подходят под конкретную задачу, конкретное железо и конкретные юридические условия. Каталог построен под эти три вопроса.

Три оси отбора

Порядок обычно такой: сначала задача, затем ограничение по железу или лицензии. Если начать с лицензии, отбросите половину подходящих вариантов ещё до того, как поймёте, нужны ли они вам.

Почему рейтинги обманывают

Публичные таблицы измеряют средний результат на наборе академических тестов. У вас не средняя задача. Модель, выигравшая пару баллов на тесте по школьной математике, может проигрывать на вашем корпоративном тексте с отраслевой терминологией.

Кроме того, часть тестов со временем просачивается в обучающие данные — модель начинает показывать знакомые ответы. Это одна из причин, почему разрыв в рейтинге в 1–2 пункта не значит ничего.

Единственный надёжный способ — прогнать три-пять своих реальных запросов через кандидатов и сравнить результат. Пятнадцать минут работы дают больше, чем неделя чтения таблиц.

Что означают приписки в названиях

• Число с буквой B — миллиарды параметров. 8B, 32B, 70B.
• Instruct — модель дообучена выполнять инструкции. Именно такие нужны для диалога; базовые версии без этой пометки просто продолжают текст.
• Coder — специализация на программировании.
• MoE — mixture of experts: параметров много, но на каждый запрос работает лишь часть. Быстрее, чем плотная модель того же размера.
• Distill — уменьшенная версия, обученная повторять поведение крупной. Дешевле, но с потерями на сложных задачах.

Разделы каталога

По категориям — разбивка по задачам: универсальные, кодовые, рассуждающие, мультиязычные, компактные. Начинать стоит отсюда.

По лицензиям — Apache 2.0, MIT, лицензии Llama и Gemma. Важно, если модель встраивается в продукт или обрабатывает клиентские данные.

По размеру — крупные, средние и малые. Прямая привязка к тому, что запустится на вашем железе.

Практический маршрут

1. Определите главную задачу: тексты, код, рассуждения, перевод.
2. Откройте соответствующий подраздел и возьмите двух-трёх кандидатов.
3. Проверьте ограничение по железу или бюджету — часть кандидатов отпадёт.
4. Прогоните свои запросы через оставшихся.
5. Зафиксируйте выбор минимум на месяц. Постоянная смена модели съедает больше времени, чем даёт прирост качества.