上一篇〈前沿模型是什麼？〉介紹了 Claude、GPT、Gemini 這些閉源的頂級模型，文末提到另一股正在快速追上的力量：開放權重模型。
這也是客戶最常追問的兩個問題：
- 「AI 可以架在我們公司自己的伺服器上嗎？資料不想傳出去。」
- 「DeepSeek 不是說很便宜？可是政府不是禁止用嗎？」
先說結論：
開放權重模型的價值不在「免費」，而在「掌控權」：資料可以不出公司、可以依需求調整、不被單一供應商綁住。但代價是硬體、維運與授權審查都要自己負責。至於中國模型，關鍵在分清楚你是「把資料送到對方的服務」，還是「在自己的環境執行模型」，兩者的風險完全不同。
這篇是「AI 模型種類」系列的第二篇。
本文資訊截至 2026 年 10 月 8 日。模型與授權條件更新很快，使用前請以各家官方公告為準。
1. 什麼是開放權重模型？
AI 模型最核心的部分是「權重」（weights）：模型訓練後得到的一大組數值參數，通常分成多個檔案，大型模型合計動輒數百 GB 到數 TB。模型的「參數量」指的就是這些數值有多少個，可以反映模型規模，但不是能力的唯一指標。開放權重模型（open-weight model）就是把權重檔公開，讓任何人下載到自己的電腦或伺服器上執行。
用汽車來比喻：
- 閉源模型像叫計程車：隨叫隨到、不用保養，但車子不是你的，路線和價格由車行決定，你的行程車行也看得到。
- 開放權重模型像買一台車：要自己準備車庫、加油、保養，但車子是你的，想開去哪就去哪，也可以自己改裝。
開放權重常被通稱為「開源模型」，但兩者不完全相同：
| 類型 | 公開什麼 | 代表 |
|---|---|---|
| 閉源模型 | 權重不公開下載，只能透過 API 或產品使用（可能公開技術報告） | Claude、GPT、Gemini |
| 開放權重模型 | 公開權重檔，可以下載執行；訓練資料與訓練程式通常不公開 | DeepSeek、Qwen、Kimi、Gemma |
| 完整開源模型 | 除了權重，也提供訓練程式與充分的訓練資料資訊，方便研究、修改與重建 | 艾倫人工智慧研究所的 Olmo 等研究型模型 |
市面上絕大多數被稱為「開源」的模型，其實是開放權重模型。這個差別在評估授權與風險時很重要，第 4 節會再說明。
2. 企業為什麼在意開放權重？
| 優點 | 說明 |
|---|---|
| 資料不出公司 | 模型在企業自己控制的環境執行，提問與回答不必經過模型原廠，適合病歷、合約、設計圖這類敏感資料 |
| 大量使用時成本可控 | 按 token 計費的 API 用得越多越貴；自己架設則主要是硬體與電費，用量很大時可能更划算 |
| 可以客製 | 可以用公司資料再訓練（微調，fine-tuning），讓模型更懂你的產業用語與格式 |
| 不被綁住 | 原廠漲價、改版或停止服務，都不會影響已經下載的模型 |
| 可以離線運作 | 工廠、醫院、軍工等無法連外網的環境也能使用 |
但代價也很明確：
- 硬體門檻高：最強的開放權重模型動輒超過 1T（一兆）個參數，通常需要多張高階 GPU（適合 AI 運算的處理器；資料中心等級的 GPU 和一般電腦的顯示卡在容量、價格上差很多）才跑得動（第 5 節會說明）。
- 維運要自己扛：安裝、更新、監控、資安防護，都需要有人負責。
- 能力仍有差距：在第三方綜合評測中，最強的開放權重模型大約落後閉源頂級模型 10 分以上（見下一節）。
- 授權與來源要審查：有些授權附帶條件，中國模型還有額外的合規考量（第 4、6 節）。
3. 2026 年主要的開放權重模型
大型模型：中國陣營領先
規模的單位：B（billion）是十億，T（trillion）是一兆；例如 42B＝420 億、1.02T＝1.02 兆。
| 模型 | 公司 | 推出 | 規模（總參數／每次啟用） | 授權 | 綜合分數 |
|---|---|---|---|---|---|
| MiMo-V2.6-Pro | 小米（中國） | 9 月 21 日 | 1.02T／42B | MIT | 46 |
| GLM-5.3 | 智譜 Z.ai（中國） | 8 月 28 日 | 753B／未列 | 自訂授權 | 45 |
| Kimi K3 | 月之暗面（中國） | 7 月 27 日公開權重 | 2.8T／104B | Kimi K3 自訂授權 | 44 |
| Qwen3.8-2.4T-A95B | 阿里巴巴（中國） | 8 月 12 日 | 2.4T／約 95B | 自訂授權 | 40 |
| DeepSeek V4.1 Flash | DeepSeek（中國） | 9 月 10 日 | 552B／輸入 8B、輸出 16B | MIT | 39 |
| Mistral Large 4 | Mistral（法國） | 10 月 6 日 API 預覽，權重預計 10 月底公開 | 1.05T／52B | 權重授權尚待公布 | 38（預覽版） |
| DeepSeek V4 Pro | DeepSeek（中國） | 4 月預覽、8 月 13 日正式版 | 1.6T／49B | MIT | 36 |
綜合分數為 Artificial Analysis Intelligence Index v4.3.2，2026 年 10 月 8 日查詢，以英文、文字任務為主。作為對照，閉源的 Claude Opus 5.5 為 58 分、GPT-6.1 Sol 為 52 分、Grok 4.7 為 46 分。Qwen 列的是可下載的版本；阿里巴巴以它為基礎、加上看圖與內建工具等功能的官方代管版 Qwen3.8 Max 為 45 分，但無法下載自架。
從這張表可以看出：
- 前段班幾乎都是中國模型：最強的開放權重模型（MiMo-V2.6-Pro，46 分）已經和閉源的 Grok 4.7 同分，但和 Claude Opus 5.5（58 分）仍有一段距離。
- 美國大廠的開放權重以小型為主：Meta 今年把主力轉向閉源的 Muse Spark；OpenAI 的 gpt-oss 與 Google 的 Gemma 4 都是可以在單台機器上執行的小型模型。
- 歐洲的代表是 Mistral：Large 4 目前只開放 API 預覽，權重預計 10 月底公開，授權條款也還沒公布。
「總參數／每次啟用」是什麼意思？
表格裡的規模寫成兩個數字，例如 MiMo-V2.6-Pro 是「1.02T／42B」。這是因為這些大型模型多半採用混合專家（Mixture of Experts，MoE）架構：模型內部分成很多組「專家」，各自擅長不同類型的內容。
模型產生回答時，是一個字、一個字（精確地說是一個 token）往下寫。每寫一個字，模型會先判斷「這個字需要哪幾組專家」，只讓那幾組參與計算，其他專家這一步就休息；下一個字再重新挑一次。
| 數字 | 意思 | MiMo-V2.6-Pro 的例子 | 影響什麼 |
|---|---|---|---|
| 總參數 | 模型裡所有專家加起來的參數量 | 1.02T | 需要多大的記憶體來存放模型 |
| 每次啟用 | 每產生一個字時，實際參與計算的參數量 | 42B（約總數的 4%） | 每個字要算多久，也就是回答速度與運算成本 |
用醫院來比喻：一家醫院有上百位各科醫師（總參數），但每位病人掛號時，只會由相關的兩三位醫師看診（每次啟用）。所以病人等待的時間，取決於實際看診的醫師，而不是全院醫師人數。
這帶來一個常被誤解的結果：
- 速度看「每次啟用」：MiMo-V2.6-Pro 雖然有 1.02T 參數，每個字只需要動用 42B 參數來計算，所以回答速度比同樣大小、每次都要全部參與的模型快很多。
- 硬體看「總參數」：因為每個字需要的專家都不一樣，所有專家都必須隨時待命。要維持速度，通常得把整個模型（1.02T 參數）都載入記憶體；雖然可以把一部分放到較慢的記憶體來降低 GPU 需求，代價是速度變慢。
換句話說，MoE 讓大型模型「跑得比較快」，但沒有讓它「需要的硬體變少」。這也是為什麼第 5 節的大型模型，仍然需要多張 GPU 的伺服器。
小型模型：可以先評估單機部署
| 模型 | 公司 | 推出 | 規模 | 授權 | 特色 |
|---|---|---|---|---|---|
| Gemma 4 | Google（美國） | 4 月發表，6 月新增 12B | E2B、E4B、12B、26B A4B、31B 五款（E 代表有效參數規模） | Apache 2.0 | 支援圖片與影片輸入，小尺寸可在手機、筆電上執行 |
| gpt-oss | OpenAI（美國） | 2025 年 8 月 | 117B（gpt-oss-120B）、21B（gpt-oss-20B） | Apache 2.0 | 以官方的壓縮格式，120B 可在單張 80GB GPU 執行，20B 約需 16GB 記憶體 |
| TAIDE（Gemma-3-TAIDE-12b-Chat-2602） | 國科會（台灣） | 2026 年 2 月 | 約 12B（以 Google Gemma 3 為基礎） | TAIDE 模型授權（以 Gemma 為基礎的版本） | 針對繁體中文與台灣在地文化、用語加強訓練 |
本文為了方便比較，把可以單機部署的模型歸為「小型」；gpt-oss-120B 的參數量其實已超過 100B，第 5 節的硬體表會再細分。
小型模型在綜合評測上的分數低很多（例如 Gemma 4 26B A4B 約 17 分，為評測機構的估計值；gpt-oss-120B 為 12 分），因為這套評測偏重長時間的 Agent 任務（會自己規劃步驟、使用工具把事情做完的 AI）與高難度推理。但對摘要、分類、翻譯、資料擷取、客服問答這類範圍明確的工作，小型模型往往已經夠用，也可以先評估單機部署，是企業自架最實際的起點。
4. 授權不只是「免費」：先看清楚條件
開放權重不代表「想怎麼用都可以」。2026 年的一個明顯趨勢是：大型模型越來越常使用附帶條件的自訂授權。
| 授權類型 | 代表模型 | 主要條件 |
|---|---|---|
| Apache 2.0、MIT（寬鬆授權） | Gemma 4、gpt-oss、MiMo-V2.6、DeepSeek V4 系列 | 通常可商用、可修改；再散布時須保留授權與相關聲明，Apache 2.0 另有標示修改處、保留 NOTICE 檔等要求 |
| 自訂授權（標示與營收門檻） | Kimi K3 | 商業產品月活躍用戶超過 1 億或月營收超過 2,000 萬美元，須在介面顯著標示 Kimi K3；以模型對外提供服務（Model as a Service）、連續 12 個月營收合計超過 2,000 萬美元者，須另與月之暗面簽約。內部使用等情況另有例外 |
| 自訂授權（標示與營收門檻） | Qwen3.8-2.4T-A95B | 產品月活躍用戶超過 1 億或月營收超過 2,000 萬美元，須顯著標示模型名稱；經營模型服務、AI 寫程式或辦公助理類產品，且企業與關係企業連續 12 個月合計營收超過 5,000 萬美元者，須另外取得授權。不對第三方提供的內部使用不受此限 |
| 自訂授權（安全審查） | GLM-5.3 | 企業與關係企業經營模型服務業務、連續 12 個月合計營收超過 100 億美元者，商用前須通過 Z.ai 的安全審查；授權未列具體審查標準，範圍與方式由 Z.ai 決定 |
| 基礎模型＋在地授權 | TAIDE | 須接受 TAIDE 模型授權；以 Gemma 為基礎的版本，也要留意基礎模型的使用條款 |
| 尚待公布 | Mistral Large 4 | 前一代 Large 3 為 Apache 2.0；Large 4 的權重授權要等正式釋出時才會公布 |
對大多數台灣企業的內部使用來說，這些營收與用戶門檻不容易觸及；但如果你要把模型包進產品或服務對外販售，就必須逐條確認。有兩件事一定要做：
- 導入前請法務看過授權全文：本文只是摘要，條款中的「模型服務」「關係企業」等定義與例外，都會影響是否適用。
- 同一家公司的不同尺寸，授權可能不同：例如 GLM-5.3 的較小版本 GLM-5.3-Flash 是 MIT，旗艦版卻是自訂授權。
5. 三種使用方式：資料去哪裡差很多
同一個開放權重模型，可以用三種完全不同的方式使用：
| 使用方式 | 資料去哪裡 | 成本與門檻 | 適合 |
|---|---|---|---|
| 原廠 API（例如 DeepSeek 官網、小米 MiMo API） | 送到模型原廠的伺服器；中國原廠的資料可能存放在中國、受中國法律管轄 | 部分模型價格很低、最省事，按用量計費 | 使用公開或測試資料、不含敏感資料的評估 |
| 雲端代管（例如 AWS Bedrock） | 由代管業者處理；會不會交給模型原廠、保存多久、在哪個地區處理，依各業者條款而定 | 按用量計費，不用管硬體 | 想用開放權重模型、又不想自己維運的企業 |
| 自己架設（公司機房、私有雲） | 留在企業控制的環境；但若系統另外串接外部搜尋或監控服務，資料仍可能外流，要一併確認 | 要買或租 GPU，並有人負責維運 | 資料最敏感、用量大、或需要離線運作的場景 |
以 Kimi K3 為例：它在 9 月 18 日上架 AWS Bedrock，AWS 說明推論資料不會分享給月之暗面、預設不保留、也不會被拿去訓練模型。同一個模型，透過 Bedrock 使用和直接用月之暗面的 API，資料的去向完全不同。要注意的是，這是 AWS 針對這項服務的承諾，不代表所有代管業者都一樣；選用「全球跨區」設定時，資料也可能在其他國家的機房處理。
自己架設要多少硬體？
這是最常被低估的部分。粗略的參考：
| 模型規模 | 代表 | 大約需要 |
|---|---|---|
| 小型（20B 上下） | gpt-oss-20B、Gemma 4 小尺寸 | 以官方壓縮格式，約 16GB 記憶體的單機或單張顯示卡可以執行 |
| 中型（100B 上下） | gpt-oss-120B | 單張 80GB 的資料中心級 GPU |
| 大型（數百 B 到數 T） | GLM-5.3、Kimi K3、DeepSeek V4 Pro | 通常需要多張高階 GPU 的伺服器；例如依 Unsloth 的部署指南，GLM-5.3 以 8-bit 壓縮執行，GPU 顯示記憶體加系統記憶體合計約需 810GB，若要兼顧速度，GPU 顯示記憶體佔比越高越好 |
註：以上是單機執行的參考，不代表能同時服務很多人。實際需求還會受壓縮方式（量化，quantization）、同時使用人數與文本長度影響，正式採購前請以實測為準。
一台能跑大型模型的 GPU 伺服器動輒數百萬到上千萬台幣，再加上電費與維運人力。除非用量非常大、或資料絕對不能出公司，否則多數企業先從雲端代管或小型模型開始，會比較划算。
6. 中國模型能不能用？
這是台灣企業最常問、也最需要說清楚的問題。
公務機關與政府採購：數位發展部在 2025 年 1 月底示警，行政院隨後要求公務機關全面禁用 DeepSeek 的 AI 服務，範圍包含雲端服務、App 與地端下載，也就是公務機關即使自己架設也不能用；官方理由是資安風險與資料可能跨境傳輸。教育部也禁止公立學校採購使用大陸廠牌的資通訊產品。此外，行政院公共工程委員會在 2025 年 5 月函請各機關，在採購契約中禁止廠商使用 DeepSeek 製作書面履約成果，並禁止履約時使用大陸廠牌資通訊產品，違反者機關可以終止或解除契約。
一般民間使用：政府目前沒有限制民間業者與一般民眾使用，但提醒使用時應注意資安與隱私風險。如果你的公司承接政府標案，就要特別留意契約條款，這些限制可能也會套用到你身上。
但「能用」不等於「適合用」。建議分成三個層次來看：
| 風險 | 用原廠 App／API | 自己架設或雲端代管 |
|---|---|---|
| 資料傳到中國 | 有風險：資料存在對方伺服器，受中國法律管轄 | 資料不經過原廠，這項風險大幅降低（仍要確認代管業者條款與系統的外部連線） |
| 回答內容的偏差 | 可能有：服務端的過濾機制，加上模型本身的訓練，都可能影響特定政治、歷史議題的回答 | 可能仍有：已有研究發現，部分中國模型在本地執行時，對政治敏感議題仍會拒答或迴避；程度因模型、版本與設定而異，自架不會自動消除，須實際測試 |
| 客戶與法規要求 | 公務機關、政府採購契約、部分大型客戶的合約可能明文禁止 | 同樣可能被禁止：例如公務機關的禁用範圍就包含地端下載，要看規定與合約對「大陸廠牌資通訊產品」的定義 |
實務上的建議：
- 承接政府標案、或客戶合約有明確要求的，直接避開，選擇美歐或台灣的模型。
- 一般企業內部使用，若選擇中國模型，在完成資料與契約審查前，不要把敏感、個人、機密或客戶資料送進原廠的 App 或 API；正式使用時，透過雲端代管或自己架設。
- 用在對外服務前，先建立測試題庫：準備與業務相關、涵蓋不同問法的題目（包含可能觸及兩岸、政治議題的情境），檢查回答的事實正確性、來源、偏差與拒答情形；高風險的輸出要有人工覆核。公司的對外溝通原則另行訂定。
7. 企業怎麼選開放權重模型？
| 步驟 | 要問的問題 | 怎麼決定 |
|---|---|---|
| 1. 先確認限制 | 客戶合約、法規或公司政策，是否限制使用中國模型？ | 有限制就從 Gemma、gpt-oss、Mistral、TAIDE 等模型中選 |
| 2. 決定資料去向 | 資料能不能離開公司？ | 不能就自己架設；可以但不想交給原廠，就用雲端代管 |
| 3. 評估規模 | 任務是摘要、分類這類明確工作，還是複雜推理與長時間 Agent 任務？ | 明確任務先試小型模型；複雜任務才考慮大型模型，或乾脆用閉源前沿模型 |
| 4. 審查授權 | 授權有沒有用戶數、營收或標示條件？ | 請法務看過全文，特別是要包進產品對外販售時 |
| 5. 用自己的任務實測 | 繁體中文表現、專業用語、回答格式是否符合需求？ | 綜合分數以英文為主，繁中表現一定要自己測 |
很多企業最後的答案會是混搭：一般工作用閉源前沿模型（透過企業方案），敏感資料或大量重複的任務，再交給自己架設或雲端代管的開放權重模型。
結語：開放權重是「多一個選項」，不是「取代閉源」
2026 年的開放權重模型已經強到不能忽視：最強的幾款已經和部分閉源前沿模型同分，部分模型的 API 價格也明顯較低，還能讓資料留在企業自己控制的環境。
但它不是免費的午餐。硬體、維運、授權審查與來源風險，都是導入前要算進去的成本。對多數企業來說，比較務實的路徑是：
- 先用雲端代管或小型模型驗證效果
- 確認值得之後，再評估是否投資自己的 GPU 伺服器
- 讓閉源與開放權重模型各自處理適合的工作
如果你正在評估公司適不適合導入開放權重模型、要不要自己架設，可以從導入診斷開始：我們會盤點你們的資料敏感度、用量與既有 IT 環境，建議適合的模型、使用方式與硬體規劃。
參考資料
- Artificial Analysis，〈LLM Leaderboard〉，2026 年 10 月 8 日查詢
- Artificial Analysis，〈Intelligence Benchmarking Methodology〉
- VentureBeat，〈Xiaomi's MiMo-V2.6-Pro debuts as the top open weights model in the world alongside cheaper V2.6-Flash〉，2026
- Qwen，〈Qwen3.8-2.4T-A95B 模型卡〉、〈授權全文〉，2026
- Artificial Analysis，〈Qwen3.8 2.4T A95B〉、〈Gemma 4 26B A4B〉
- LLM Stats，〈Qwen3.8-Max Open Weights: First Max-Class Qwen You Can Download〉，2026
- Z.ai，〈GLM-5.3 授權全文〉，2026
- Unsloth，〈GLM-5.3 部署指南〉
- Digital Applied，〈GLM-5.3's Weights Are Out. The Licence Is Not MIT〉，2026
- Moonshot AI，〈Kimi K3 模型卡〉、〈Kimi K3 License〉，2026
- TechNode，〈Moonshot AI to make Kimi K3 available for public download〉，2026
- AWS，〈Introducing Kimi K3 on Amazon Bedrock〉，2026
- DeepSeek，〈DeepSeek V4.1 Flash 發布公告〉、〈API 更新紀錄〉
- Mistral AI，〈Mistral Large 模型文件〉，2026
- Beam AI，〈Mistral Large 4: Benchmarks, Pricing and Open Weights〉，2026
- Wikipedia，〈Gemma (language model)〉
- OpenAI，〈Introducing gpt-oss〉，2025
- TAIDE，〈推動臺灣可信任生成式 AI 發展計畫〉、〈Gemma-3-TAIDE-12b-Chat-2602 模型卡〉
- 數位發展部資通安全署，〈公務機關全面禁用 DeepSeek AI 服務，未限制一般民間使用〉，2025
- 行政院公共工程委員會，〈工程企字第 1140100189 號函〉，2025
- Naseh 等，〈R1dacted: Investigating Local Censorship in DeepSeek’s R1 Language Model〉，arXiv，2025
- 中央社，〈DeepSeek 涉資安疑慮 數發部：公務機關不得使用〉，2025