点开一个"开源 Agent"项目的仓库,LICENSE 写着 MIT;点开它调用的模型卡,许可证换成了"社区许可";再问一句训练数据是什么,多数时候得到的是沉默。同一个词,在 Agent 技术栈的三层里写着三种答案——而且这三层的"开放"互不蕴含:代码全开不意味着权重全开,权重可以下载也不意味着数据说得清。
这篇文章用四份一手文件把三层拆开对照:OSI 发布的《开源 AI 定义》(OSAI,version 1.0)、Meta 的《Llama 3.3 社区许可证》全文、OLMo 论文的 arXiv 摘要页、开源 Agent 框架 OpenHands 仓库的许可证文件。先交代利益关系:这份定义由 OSI 自己发布,它既是规则制定者又是裁判,本文会注明这一点;四份文件都没有利益冲突声明段,本文对各方立场不做超出原文的断言。
## 同一个词,三种答案
"开源 Agent"在中文讨论里常被当成一个词用,但它至少指三层不同的东西:最上面是 Agent 框架的代码,中间是框架调用的模型权重,最底下是训练这些模型的数据。三层各有各的"开放"标准,三层各有各的"开放"标准,而标准之间的落差,正是包装的空间。
下面按层拆开,每一层都对着原始文件读。
## 代码层:最彻底的开源,也最容易被复制
OpenHands 仓库的许可证文件只有一页:MIT 许可证全文,一行"Copyright © 2025 OpenHands contributors",没有任何附加商业条款。MIT 允许任何人免费使用、复制、修改、合并、出版、分发、再许可乃至出售软件副本——这是开源世界里最彻底、也最经典的许可形式之一。
代码层的"开源"是可验证的:许可证文件就摆在仓库里,读一遍就知道有没有附加条件。但正因为它全开,框架的编排逻辑、工具接口、提示词组织方式,任何同行都能从代码里学走(这是我的行业观察,不是文件结论)。代码层是三层里开放最彻底的一层,也是最不构成护城河的一层。
## 权重层:"open-weight"为什么不等于"open-source"
Llama 3.3 的发布日期写在许可证第一行:2024 年 12 月 6 日。这份《Llama 3.3 社区许可证》授予的是"非独占、全球性、不可转让、免版税的有限许可"——注意"有限"两个字。
限制写在第 2 条"额外商业条款"里:如果在发布日之前的那个日历月,你(含关联方)提供的产品或服务月活跃用户超过 7 亿,你必须另行向 Meta 申请许可,Meta 可以自行决定是否授予;在 Meta 明确授予之前,你无权行使协议下的任何权利。
配套义务还有几项:分发包含 Llama 材料的产品,必须在网站、界面或文档的显著位置标注"Built with Llama";用 Llama 材料或其输出去训练、改进一个新模型并分发,模型名必须以"Llama"开头;一份《可接受使用政策》被整体并入协议;如果你起诉主张 Llama 材料或其输出侵犯了你的知识产权,你获得的许可自诉讼提起之时终止。
对照 OSAI 的第一条自由——"为任何目的使用该系统,且无需请求许可"——7 亿月活条款恰恰意味着:有一类使用者必须先请求许可,而且批不批由一家公司裁量。这正是"open-weight(开放权重,可下载可商用但有条件)"与"open-source(开源,无条件)"两个词的分界线。
## 数据层:OSI 把"开源"写成了可复现性
OSAI 对模型层的处理比许可证更根本。它规定:修改一个机器学习系统的"优先形式"(preferred form,即做修改时应当拿到的最完整材料)必须包含三样东西。
数据信息(Data Information):关于训练数据的说明要详细到"让本领域熟练人士能够构建一个实质等价的系统",且必须包含三项——全部训练数据的完整描述,包括不可共享数据的来源、范围与特征、获取与筛选方式、标注流程、处理与过滤方法;全部公开可得训练数据的清单及获取途径;全部可从第三方获得(含付费)的训练数据清单及获取途径。
代码(Code):训练和运行系统的完整源代码,要能完整说明数据如何处理与过滤、训练如何进行,以 OSI 批准的许可证发布——例如数据处理与过滤代码、含参数设置的训练代码、验证与测试代码、分词器等支撑库、推理代码与模型架构。
参数(Parameters):权重等模型参数,以 OSI 批准的条款发布,例如关键中间阶段的检查点与最终优化器状态。
整份定义里最重的一句话是:"开源模型"和"开源权重"必须包含用于导出这些参数的数据信息和代码。换句话说,OSI 的官方口径下,只放出权重、不放出数据信息与训练代码,就不算开源模型。这句话把"开源"从一个许可证类型问题,锁死成了一个可复现性问题。
## 全开的反例:OLMo
三层全开做得到吗?OLMo 论文(2024 年 2 月 1 日提交 arXiv,第一作者 Dirk Groeneveld)自称"真正开放的语言模型"(truly Open Language Model),摘要里专门划清界限:与多数只发布模型权重和推理代码的先前工作不同,OLMo 连同开放训练数据、训练与评估代码一起发布。
论文的动机也写得直白:随着商业重要性上升,最强的模型被锁在专有接口后面,训练数据、架构与开发细节的重要部分不公开,研究界因此没法科学地研究它们的偏差与风险。OLMo 把"开放"当成研究基础设施来做,而不只是发布姿态——对照 OSAI 的三要件读(这是我的并排阅读),OLMo 补上的正是权重之外最常被省略的两块:开放训练数据与训练、评估代码。
## 我的三个判断
以下是把四份文件并排读出来的综合,不是任何一份原文的结论。
第一,遇到"开源 Agent",必须先问三层里开的是哪一层(行业观察)。代码层的 MIT 是真的,权重层的"开放"是带条件的,数据层的沉默被一个词糊了过去。三层混说,是这个词最常见的误导路径。
第二,OSAI 的实质是把开源 AI 定义成可复现性要求,而不是许可证类型要求(标准解读)。这比传统开源定义管得更宽:不只管条款写没写限制,还管"你有没有给出重建系统所需的材料"。按这个标准,几乎所有主流开放权重模型——包括 Llama 系——连"开源模型"的门都进不了,卡住它们的不是商业条款,而是数据信息与训练代码没有给全。
第三,7 亿月活条款的实质,是许可证在承担监管功能(我的判断)。私人许可条款给"开放"加了一个规模上限:门槛以下不用申请,门槛以上逐案审批、裁量权在一家公司手里。这已经不只是知识产权授权,更像一种私人准入管制。它与 OSAI 第一条自由直接冲突,而这个冲突正是"开放权重"与"开源"必须分成两个词的原因。
## 带走什么
下次再看到"开源 Agent",问三个问题就能拆掉大部分包装:代码层是什么许可证?(MIT、Apache 一眼可验证)权重层的许可证有没有规模或使用限制?(翻到"额外条款"那一段)数据信息在哪里?(找不到,按 OSI 的口径它就不是开源模型)
对 Agent 构建者来说,这三问的实义不是道德标签,而是两件事:退出权——想换掉某一层的时候换得动吗;可审计性——出了问题查得到那一层吗。代码层开放最彻底却最不值钱,数据层从不喊"开源"却是真正的护城河——这个结构性张力,短期内不会消失。
你用过的那个自称开源的项目,开的是哪一层?欢迎在评论区聊聊。
来源:OSI《Open Source AI Definition》version 1.0 https://opensource.org/ai/open-source-ai-definition