深夜，一个体积不小的权重文件终于下载完。拖进推理工具，风扇开始转，屏幕上慢慢吐出第一段文字。那一刻很容易产生错觉：模型已经躺在自己的硬盘里，剩下的事似乎只是把它用好。真正动手之后才会发现，下载是整件事里最简单的一步。
「开源模型」这个词容易让人联想到免费软件：拿来即用，出问题有人修。实际拿到的往往是一份权重，有时附带训练脚本，很少附带训练数据，几乎不附带评测方法。许可证说明你能做什么，不保证它能做什么。这两件事经常被混在一起谈。
文件落地之后，麻烦才开始
同一份权重，放进不同的推理引擎，表现可能差到让人怀疑是不是拿错了文件。量化用精度换显存，压得太狠，长文本就开始丢细节；上下文窗口调大，响应速度又掉下来。这些不是模型能力本身的问题，而是配置问题。可对使用者来说，体验到的是同一件事：它到底靠不靠得住。
有几件事在选型阶段最容易被忽略：
- 权重可以获取，不代表结果可以复现。训练细节没写全，同样的配置也未必得到同样的行为。
- 微调的真正成本不在算力，而在数据清洗和评测集建设，这部分工作没有捷径。
- 许可证差异很大，有的只要求署名，有的对商业使用、输出内容、再分发各有约定，能不能进交付物，要逐条读原文。
许可证这一条尤其值得多说一句。它枯燥，却直接决定一个开源模型能不能被放进产品里。不同项目的条款差别不小，遇到拿不准的地方，稳妥的做法是查原文，而不是看二手解读。
它不是便宜一点的闭源服务
不少人把它当成替代方案：功能差不多，成本低一些。这个理解低估了它，也低估了自己要承担的部分。它真正的好处是可改造——可以放在内网，可以换分词器，可以把行业词汇补进去，可以让输出贴合自己的格式要求。这些事在闭源接口上要么做不到，要么得等。
代价是运维落到了自己身上。版本更新要不要跟？安全补丁谁来打？上下文长度一改，之前调好的提示词可能集体失效。用上一段时间之后，团队里得有一个人说得清这套东西是怎么跑的，否则它很快就会变成一个没人敢动的黑盒。
也要承认它的边界。整理会议记录、写脚本、做格式转换，本地跑起来是够用的；需要长链条推理、需要输出严格稳定的结构，就容易在中间某一步断掉。这跟模型本身如何关系不大，更多是任务复杂度和部署规模是否匹配。
所以判断要不要用它，可以先问一个很朴素的问题：身边有没有人能维护它。如果有，开源模型带来的就是决策权的转移——部署在哪、什么时候更新、接哪些数据，自己说了算；如果没有，它更可能变成一个安静的负担。