夜里在一台旧笔记本上跑本地模型，照着文档输入命令，显存不够，进程直接退出。换成量化版本，能跑了，但回答风格变了，偶尔还夹着乱码。问题不在模型本身，而在下载之后的那一长串维护动作：依赖版本、推理框架、对话模板、量化脚本，任何一处对不上，体验就会走样。
权重不是全部
开源模型通常开放权重和推理代码，但周边件往往分散在不同仓库里。tokenizer 的配置、聊天模板的写法、量化工具的版本、许可证的解释，常常要靠文档和社区讨论拼起来。能下载不等于能复现，能跑通一次也不等于下周还能跑。讨论“开放”时，人们容易把权重当成全部，实际使用中，版本对齐和依赖锁定更磨人。
维护是一种长期成本
模型更新后，旧的量化文件可能失效；推理框架升级，接口可能变动；许可证条款调整，商用边界需要重读。社区维护者承担了大量不显眼的工作：复现问题、补文档、回答重复提问。这些琐碎动作决定了模型能否进入稳定使用。开源模型的价值不只在参数和演示，还在可预期的维护节奏。
判断能不能用，先问几个小问题
断网环境能否跑通？依赖是否固定到具体版本？许可证是否写清了商用边界？社区里的问题有没有具体回应，而不只是“同问”？这些问题不性感，却比演示视频更接近日常。对团队来说，把维护成本算进选型，比比较一次生成效果更实际。
开源模型降低了起点，但没有消除后续工作。下载只是开始，真正的门槛在下一个版本、下一次依赖升级、下一个接手的人。能不能把这些日常接住，比“是否开源”更值得问。