百宸观点 | 免费下载,不等于免费商用——开源模型的五个误区

先说结论：能不能商用，看三件事

开源模型能不能商用，不取决于开不开源，取决于三件事：

一，许可证怎么说。每种许可证都有自己的条件——MIT、Apache 2.0宽松一些，Llama的社区许可、Kimi的“修改版MIT”、MiniMax的“社区许可”都附加了门槛。凡是带“修改版”“社区许可”字样的，都必须读原文。

二，你的场景是什么。直接部署、微调后商用、再分发转售、用输出训练新模型——场景不同，义务完全不同。一种许可证下合法的行为，换一种场景可能就违规了。

三，监管义务需要逐项判断。开源解决的是“能不能用”的授权问题，备案、安全评估解决的是“能不能对外服务”的监管问题，两者互不替代[3]。

先看主流模型的许可证全景：

以上许可证情况截至2026年9月1日，以各模型官方发布页为准[4]。

一句话：“开源”解决的是授权问题，“商用”要过的是许可证、场景、监管三道关。

五个误区，先纠偏

误区一：开源=免费=随便用。

“开源”（Open Source）是有严格定义的概念。对软件而言，通常指按开源许可证开放源代码、允许使用、修改和分发；对AI模型，开放源代码促进会（Open Source Initiative，OSI）的《开源人工智能定义1.0》还要求使用、研究、修改和分享的自由，以及足够的数据、代码和参数——仅开放权重，并不当然等于开源AI[5]。

“免费”只是常见结果，不是开源的义务。“随便用”更是误解：每一种许可证都附带了条件，只是宽松程度不同。开源不等于无条件使用，许可证是首要的权利依据，并可能形成合同约束。

误区二：Llama是开源的，所以和Linux一样自由。

这是一个流传很广的误解。严格来说，Llama 4更准确的定位是“开放权重模型”（open-weight model），用的是Meta自定义的《Llama社区许可协议》，附带多项限制[6]：

- 用户规模门槛：以Llama 4版本发布日期为判断时点，被许可方及其关联方相关产品或服务此前一个自然月的月活超过7亿的，须取得Meta另行明确许可后方可行使协议项下权利；

- 标注义务：分发相关材料或产品，须附带许可文本并显著标注“Built with Llama”；

- 命名规则：用Llama材料或输出训练改进并对外提供的AI模型，名称必须以“Llama”开头。

“开放权重”和“开源AI”是两个概念，前者只具备后者的部分特征。下载Llama时那个“我同意”的勾选，是真的有法律意义的。

误区三：微调出来的模型就是我的，跟基础模型没关系。

微调（fine-tuning）是在基础模型权重上继续训练，新参数在技术上承继基础权重。但“衍生版本”在工程、合同和著作权语境中的含义并不相同：基础模型许可证可能自行定义“衍生模型”并设置命名、分发等要求；GPL类许可证通常规制其覆盖的软件作品，不能仅因训练或微调中使用了GPL代码，就推导模型权重整体必须以GPL开源；MIT、Apache 2.0是否适用于权重，也要看具体许可证的标的。

判断微调模型的法律边界，先核对基础模型许可证，再分别分析代码、权重、训练数据和新增成果。

误区四：开源模型不用备案，因为模型是开源的。

《生成式人工智能服务管理暂行办法》第二条明确，利用生成式人工智能技术向境内公众提供内容生成服务的，适用该办法[3]。监管义务针对的是提供者和具体服务形态，不因模型开源而豁免——当然，是否触发安全评估和算法备案，还要看服务是否具有舆论属性或社会动员能力（第十七条），直接调用已备案模型能力的应用或功能，还可能适用登记机制。

开源解决的是私法授权问题，备案和登记解决的是对外服务监管问题，两者互不替代。

误区五：开源模型转售、再分发没有任何限制。

再分发（redistribution）恰恰是许可证最核心的规制对象。MIT要求在复制件或实质部分中保留版权和许可声明；Apache 2.0还要求提供许可副本、标明修改、保留相关声明，并在原作带有NOTICE时传递相应内容；Llama社区许可要求附带许可协议并遵守展示、命名等规则。

“可以分发”和“无条件分发”是两回事——漏掉许可证要求的文件或声明，可能构成违约或超出授权。

许可证怎么看：三个检查起点

拿到一个开源模型，许可证原文至少先看三处：

1. 授权范围：是否明确允许商业使用、修改、再分发、训练衍生模型？

2. 限制与附加条件：用户规模门槛（如Llama的7亿MAU）、署名要求（“Built with Llama”）、命名规则、禁止用途清单、禁止蒸馏条款？

3. 担保与责任：多数许可证都声明“按现状提供”并限制担保和责任，但条款效力仍受适用法和具体场景制约——上游的免责条款，不当然免除你作为服务提供者的责任。

最高法这次补上了另一面：开源软件相关方可以获得适当的侵权责任豁免。2026年9月7日《意见》第十三条要求结合许可类型、具体权利限制、安全措施和信息披露程度判断。其中，免费提供AI软件研发所需的部分代码模块、公开说明功能和安全风险，他人使用该模块导致侵权的，法院可以认定开发者、提供者不承担侵权责任[7]。

这里的边界同样清楚：这是有条件的司法责任认定，不是“免费开源自动免责”，也不能直接推广为全部开放权重模型、完整商业服务和下游运营者的免责规则。许可履行、适用的备案和个人信息保护义务，仍须分别判断。

另外，中国法院已经在软件开源许可领域给出了裁判思路：

- 罗盒案：广州知识产权法院〔2019〕粤73知民初207号认定GPLv3具有合同性质，被最高法列入2021年中国法院十大知识产权案件；最高人民法院〔2021〕最高法知民终2063号进一步认定，GPL3.0是授权方和用户订立的格式化著作权许可使用协议，开源软件的发布可视为要约，用户使用即为承诺[2]。

- 柚子案：北京知识产权法院一审、北京市高级人民法院〔2018〕京民终471号二审——GPL是被告提出的开源抗辩，法院援引GPLv3判断涉案三个独立插件不受GPL约束[8]。

- 不乱买案：最高人民法院〔2019〕最高法知民终663号划定了GPL许可客体的边界——包括受保护程序及其衍生程序或修订版本，但不包括与其联合的其他独立程序，不能简单概括为GPL要求自动扩展到全部组合软件[9]。

需要说明：上述判例都涉及开源软件代码，目前尚无直接处理AI模型权重许可证效力的中国裁判。软件许可案件的合同逻辑有参照价值，但不能直接等同于模型权重案件。违反许可证可能产生违约责任；如果违反的是授权前提条件、授权因此终止，后续行为又落入著作权人的专有权范围，还可能构成著作权侵权——但并不是任何条款违约都当然构成侵权。

四个商用场景，风险不一样

场景一：直接部署商用——可以，但有前提。

用开源模型自建服务并收费，是最常见的商用方式。MIT/Apache 2.0许可下的限制通常较少，但三个前提跑不掉：遵守许可证的署名/分发义务；面向境内公众提供服务的，按服务形态履行备案或登记、安全评估、内容安全义务；承担服务提供者责任——上游许可的免责条款，不当然免除你的内容治理和个人信息保护责任。

场景二：微调后闭源商用——能不能，看基础模型许可证。

场景三：再分发与转售——许可证的核心规制对象。

把开源模型权重连同自己开发的工具打包转售，能不能成立，取决于许可证的再分发条款。MIT/Apache 2.0通常允许收费再分发，但义务不同；Llama等自定义许可则附加更严格的条件。

常见违规操作：转售时删掉或隐藏许可证文件、抹掉版权声明、把开源模型改名包装成“自研模型”对外宣称——这些行为可能构成违约、超出授权或虚假宣传；是否构成著作权侵权，还须结合权利基础和具体使用行为判断。

场景四：用开源模型的输出训练新模型——最容易忽视的风险。

用开源模型生成大量对话数据、合成数据，再拿去训练自己的模型，是当前行业非常普遍的做法，也是风险最容易被忽视的环节。分两层看：

- 合同层面：不同许可处理不同。Llama 4对使用其材料或输出训练并对外提供的AI模型设置的是命名义务，而不是输出训练禁令；腾讯混元4B等具体自定义许可则包含输出训练限制[10]；还要区分本地开放权重许可和厂商托管API服务条款。

- 权利层面：模型输出如果再现了受保护表达，复制、使用这些输出可能产生版权风险；大规模抓取特定模型输出训练竞品模型，可能引发竞争法争议[11]，但须结合行为时法、获取方式、技术措施、竞争秩序和损害逐案判断。

用模型输出训练新模型，先区分本地权重与API场景，核对具体许可证、使用政策和服务条款；即使条款允许，也要评估输出本身及其后续使用的权利风险。

微调出来的模型，到底是谁的？

这是开源模型领域最核心的法律不确定性问题：模型权重能否受著作权保护，目前没有定论。

模型权重是神经网络训练后产生的参数矩阵，其生成过程包含算法迭代以及不同程度的人类选择、投入和调校。中国现行著作权法没有直接回答模型权重是否构成作品，目前也没有直接处理模型权重可版权性的中国裁判。

实操含义：微调出来的模型，不能想当然认为我训练的所以我有著作权。企业可以用三层方式保护自己的投入：

1. 合同层：与员工、外包方签署知识产权归属协议，明确微调模型、训练代码、数据集的权属；对外服务合同中明确模型归属和许可边界；

2. 商业秘密层：对不对外发布的微调权重、训练数据配方、评测数据采取访问控制、权限管理、保密协议等措施——满足秘密性、价值性和保密措施条件的，可以主张商业秘密保护；

3. 记录层：保留微调全过程记录（数据来源、训练参数、版本演进），既是权属证明，也是备案和监督检查时说明算法机制机理的材料。

同时提醒：即使权重是否构成作品存疑，许可证仍可能通过合同定义“衍生模型”并施加约束——合同中的定义和权属安排，不等于著作权法上的衍生作品认定，也不当然约束未接受条款的第三方。

开源，不豁免备案

用开源模型部署服务，提供者是主要义务主体——这一点常被误解为模型是开源的所以不用备案。

- 算法备案/应用登记：具有舆论属性或社会动员能力的服务，按规定履行算法备案[12]；通过API等方式直接调用已备案模型能力的应用或功能，结合当期公告办理登记；

- 安全评估：符合触发情形的，按《具有舆论属性或社会动员能力的互联网信息服务安全评估规定》自行或委托开展评估，形成报告并提交；

- 内容安全：模型输出内容仍须按《暂行办法》第四条、第九条、第十四条落实原则要求、提供者责任以及违法内容的处置、整改和报告义务；

- 用户权益：个人信息保护（第十一条）、投诉举报机制（第十五条）均不因模型开源而免除；生成合成内容标识还须结合《人工智能生成合成内容标识办法》执行[13]。

一个额外的提醒：境外开放权重模型（如Llama 4）下载后在境内本地部署，通常可以减少用户输入直接发送至境外API的情形，但不能仅凭部署地点推导"数据不出境"——下载器、遥测、日志、更新、远程运维和人员访问等实际数据流，仍须逐一核验。Llama 4许可授予的地域范围是全球的；但腾讯混元4B等具体自定义许可存在地域排除，须按具体版本核对。

企业可以先做的五步检查

1. 查许可证。到官方发布页核对许可证全文，绑定具体仓库、版本和提交记录，确认许可标的是代码、权重还是其他材料；警惕“修改版”“社区许可”字样

2. 对场景。对照你的商用方式（直接部署/微调/再分发/用输出训练新模型），逐项核对许可证是否允许；涉及Llama等自定义许可的，把MAU门槛、命名、展示、输出训练、地域等条款列成清单逐条对照

3. 建台账。记录模型名称、仓库URL、版本或提交哈希、权重校验值、许可证及NOTICE、下载日期、使用方式和修改记录；免费开放代码模块的，还应留存功能说明、安全风险披露及实际安全措施，支持适当责任豁免的评估

4. 审数据。微调用的训练数据按专题四标准自查；用模型输出训练新模型的，确认许可证、使用政策和服务条款允许，并评估输出本身的权利风险

5. 履义务。对外提供服务的，按服务属性和调用形态判断安全评估、算法备案或应用/功能登记；部署内容安全机制；个人信息保护、内容标识和投诉举报机制逐项落实

律师观点：接下来会往哪走

*以下为笔者基于2025-2026年产业与监管动态的个人观察，仅供参考*

第一，宽松许可正在成为模型生态竞争的工具。2025-2026年，GLM-5、Gemma 4、gpt-oss等一批模型采用MIT/Apache 2.0。宽松许可有利于开发者采用，但模型能力是否趋同、谁能赢得生态，仍取决于具体版本、数据、第三方组件、使用政策和监管条件——许可证只是起跑线，不是终局。

第二，软件许可证的裁判逻辑，可能为模型纠纷提供参照。中国法院已经在罗盒案、不乱买案中处理了GPL的合同性质、许可范围和侵权后果，柚子案则显示开源抗辩能否成立取决于具体组件是否落入许可范围。未来模型许可纠纷可能参考这些思路，但模型权重是否受著作权保护、合同定义能否约束第三方等问题，仍待具体裁判。

第三，数据和合规的重要性正在上升。权重开放降低了获取和部署门槛，但不意味着技术壁垒消失——厂商的差异化可能来自专有数据、推理优化、安全和合规能力。对企业而言，无论是否使用开放权重模型，能说清楚“数据从哪来、模型怎么改”的记录体系，会越来越值钱。

开源可以降低使用门槛，符合条件的相关方也可能获得适当的侵权责任豁免。下载之前先读许可证，商用之前先对场景，上线之前先履义务；免费发布代码模块时，把功能和安全风险说清楚、留下记录。

往期回顾

下期预告

用户拿我们的AI生成的图片，版权归用户还是归我们？AI写的代码，能申请软件著作权吗？我们辛辛苦苦训出来的模型，被别人蒸馏走了，能告他吗？

下一期，我们聊聊那个绕不开的问题——

AI做出来的东西，到底归谁？

作者介绍