开源 AI 指代码、模型与权重开放可用的 AI 技术与生态：开源框架、开源模型与开放社区让开发者自由使用、定制与部署，代表如 Llama、DeepSeek、PaddlePaddle、PyTorch 等。
AI Glossary
开源 AI 指代码、模型与权重开放可用的 AI 技术与生态：开源框架（PyTorch、PaddlePaddle）、开源模型（Llama、DeepSeek、Qwen）与开放社区，让开发者自由使用、定制与部署 AI 能力。它是 AI 发展的重要推动力。
开源框架：深度学习与应用的开发框架（PyTorch、PaddlePaddle、TensorFlow）。
开源模型：开放权重的大语言模型与多模态模型（Llama、DeepSeek、Qwen）。
开源工具：推理、评测、部署等 AI 工程工具（Label Studio、PromptFoo 等）。
开放社区：模型托管、数据集与协作生态（Hugging Face 等）。
PaddlePaddle（飞桨）：百度开源的全栈深度学习平台。
DeepSeek：开源的高性能大语言模型系列。
Llama：Meta 开源的大模型系列，生态广泛。
Qwen（通义千问）：阿里开源的中文大模型系列。
一是「自由可控」：代码与权重开放，可审计、可定制、可本地部署。
二是「成本降低」：开源模型本地运行，降低 API 依赖与调用成本。
三是「生态繁荣」：社区协作加速技术迭代与工具完善。
四是「隐私友好」：敏感数据场景本地部署，数据不出域。
一是「部署门槛」：本地部署需要算力与运维能力。
二是「协议约束」：不同模型的开源协议对商用有不同限制，需确认。
三是「质量差异」：开源模型与商用模型的能力存在差异，按场景选型。
四是「安全责任」：自部署意味着安全与合规责任由自己承担。
按场景选型：通用场景用 API，数据敏感与定制场景用开源。
确认协议：商用前核对模型的开源协议与授权范围。
评估成本：本地部署的算力、运维与人力成本要算清。
社区资源：善用社区模型库与工具，降低开发成本。
开源 AI 以「开放」重构了 AI 生态：框架、模型与工具自由可用，开发者获得可控性与成本优势。理解它的价值（自由、成本、生态）与责任（部署、协议、安全），才能合理选型：能接受运维成本、有定制与隐私需求，选择开源；追求开箱即用，用商用 API。开源与闭源互补，构成完整的 AI 落地选项。
