Чем отличаются проприетарные, open weight и open source ИИ-модели

Все большие языковые модели делятся на три категории. Проприетарные, открытые по весам (open weight) и полноценно открытые (open source). От того, к какой категории относится модель, зависят её стоимость, приватность, возможности доработки и даже то, кто вообще может её запустить.

Проприетарные LLM: мощно, закрыто, дорого

Это модели, которыми владеет одна компания — как правило, крупная корпорация. Самые известные примеры: OpenAI GPT и o-series (GPT-5.6, o3-mini), Anthropic Claude, Google Gemini. Вы пользуетесь ими через облако, кода и обучающих данных не видите, а все вычисления происходят на серверах владельца.

У такого подхода два главных плюса. Во-первых, это почти всегда «фронтьерные» модели — самые умные и способные из доступных. Во-вторых, их легко встроить в бизнес-процессы: просто подключаете API и получаете готовый инструмент. Никаких серверов и настройки.

Минус уже из названия: вы не контролируете модель и не можете посмотреть, на чём она обучалась. Плюс цена. За интеллект приходится платить.

Open weight LLM: веса открыты, исходники нет

«Вес» в данном случае — это по сути память модели, обученные параметры. Если производитель открывает веса, вы можете скачать модель и запустить её локально — на своём компьютере или сервере.

Самый известный пример в США — Meta Llama. В Китае open weight — это вообще стандарт: DeepSeek, Moonshot Kimi, Alibaba Qwen. Эти модели заметно дешевле проприетарных по цене за токен и почти догнали лидеров по качеству. А если запускать их локально, чувствительные данные не покидают вашу инфраструктуру — для бизнеса это важное преимущество.

Но есть подвох. Локальный запуск требует собственного «железа», а это серьёзные первоначальные вложения. И open weight модель не работает из коробки: вам придётся разбираться в развёртывании, а не просто «воткнуть» API. При этом обучающие данные и код остаются закрытыми — вы видите только веса.

Open source LLM: полная прозрачность

Полноценно открытая модель — это следующий уровень. Как определяет Open Source Initiative, здесь доступно всё: и веса, и обучающий код, и датасеты (или хотя бы источники данных, если сами датасеты нельзя копировать по закону). Такие модели можно свободно менять, дорабатывать и распространять. С open weight, к слову, такое не пройдёт: дорабатывать можно только сами веса, в процессе, который называют fine-tuning.

Примеры открытых моделей: AI2 OLMo, Eleuther AI Pythia, Google T5, LLM360 Amber и CrystalCoder.

Главный плюс — максимальный контроль. Вы сами видите, на чём обучалась модель, и можете доказать её соответствие требованиям регуляторов. Для компаний, которым важно соблюдать законы о приватности и защите потребителей, это всё решает. Полная открытость упрощает проверку: регулятору не нужно верить на слово, достаточно изучить данные и код.

Сравнение трёх типов

Коротко, в таблице.

Сколько это стоит

Разница в деньгах существенная. По данным Spheron на июль 2026 года, флагманские проприетарные модели — OpenAI GPT-5.6 Sol и Anthropic Claude Opus 5 / Opus 4.8 — стоят $5 за миллион входных токенов. Google Gemini 3.1 Pro — $2 за миллион до 200 тысяч токенов, дальше цена подскакивает до $4. А DeepSeek V4-Pro, open weight модель, обходится всего в $0.435 за миллион входных токенов.

Открытые модели вообще могут не стоить ничего, если не считать затрат на вычислительные мощности. Но это не значит, что они всегда лучший выбор — всё зависит от задачи.

Как выбрать

Определитесь, что для вас «лучше» — и ответ найдётся.

• Нужен максимальный интеллект и минимум возни — берите проприетарную модель через API.
• Хочется сэкономить и сохранить данные у себя — смотрите в сторону open weight. Но заложите бюджет на железо и время инженеров.
• Критичны прозрачность и возможность доказать соответствие требованиям — полный open source. Это же вариант для экспериментов и тонкой настройки «под себя».

Типичная ошибка — путать open weight и open source. Открытые веса не дают вам доступа к обучающим данным и исходному коду. А ещё не рассчитывайте, что open weight модель заработает сама: бюджет на инфраструктуру может съесть всю экономию на токенах.

И последнее: не рассматривайте стоимость за токен как единственный критерий. Учитывайте и расходы на развёртывание, и обслуживание, и то, как быстро вы получите работающее решение.