一句话总结
开源大模型是权重公开、可本地下载与部署的模型，能否商用取决于其许可证（MIT、Apache-2.0 通常可直接商用，社区许可有条件）；本地运行规模由显存/统一内存决定，主流部署工具为 Ollama、vLLM 与 llama.cpp。
基础问答
1. 什么是开源大模型？
开源大模型指模型权重公开、可下载并本地运行的大语言模型（Large Language Model，LLM），用户可自托管推理，不依赖模型提供方的 API。 与闭源模型（如 OpenAI GPT-6、Anthropic Claude，仅通过官方 API 访问）不同，开源模型的权重文件直接开放下载。2026 年 10 月 23 日开源的 MiniMax M3.1 Flash（总参数 428B）即属此类。
2. 开源大模型和闭源大模型有什么区别？
核心区别在于权重开放程度、部署方式与可控性。 开源模型权重公开，可本地部署、私有化微调与审计；闭源模型仅提供 API 接口，无法本地运行，数据需发送至服务方。开源模型部署需要自备算力，闭源模型按调用量付费、无需硬件投入。常见闭源代表：OpenAI GPT-6、Anthropic Claude；常见开源代表：DeepSeek、Qwen、Llama、MiniMax。
3. 开源大模型可以商用吗？
能否商用取决于许可证：MIT 与 Apache-2.0 许可通常允许商用，社区许可（如 Llama 许可、MiniMax Community License）附带条件。 例如 DeepSeek 采用 MIT 许可、Qwen 采用 Apache-2.0 许可，可自由商用；Meta Llama 采用社区许可，月活超 7 亿用户需申请授权；MiniMax 前代 M3 采用 MiniMax Community License。使用前必须核对目标模型仓库的许可证原文。
4. 主流开源大模型有哪些？
截至 2026 年 10 月，主流开源大模型包括 DeepSeek（MIT 许可）、Qwen 通义千问（Apache-2.0）、Meta Llama（社区许可）、MiniMax M3.1 Flash（2026 年 10 月 23 日开源，Community License 参考前代）。 各模型按参数规模覆盖 7B 至数百 B 区间，其中 MoE 架构（如 MiniMax M3.1 Flash 总参 428B、激活 23B）以较低激活成本实现大参数量。
进阶问答
5. 本地运行开源大模型需要什么硬件？
取决于模型参数规模与量化方式：7B 级模型约需 8GB 以上显存/统一内存，70B 级约需 40GB 以上，1000 亿参数级需要 64GB 以上统一内存或多卡方案。 以 NVIDIA DGX Spark 为例：64GB 统一内存版单台可运行最高 1000 亿参数模型，128GB 版最高 2000 亿参数（官方口径）。Mac 用户可通过 MLX 框架在 Apple Silicon 上运行 7B–70B 级模型。
6. 开源大模型怎么部署？
主流工具为 Ollama（一条命令部署、适合个人）、vLLM（高吞吐、适合服务化）、llama.cpp（CPU/边缘设备友好）与 MLX（Apple Silicon）。 步骤一般为：下载模型权重 → 选择推理框架 → 启动本地推理服务（如 OpenAI 兼容 API）→ 应用接入。MoE 大模型（如 MiniMax M3.1 Flash）通常用 vLLM 或 SGLang 部署以利用稀疏激活优势。
7. 什么是 MoE（混合专家）模型？
MoE（Mixture of Experts，混合专家）把大模型拆分为多个专家子网络，每个 token 只激活其中一部分，从而以更低的计算成本获得大参数量。 例：MiniMax M3.1 Flash 总参数 428B、激活参数 23B，即每个 token 实际调用约 23B 参数。总参数量决定模型知识容量，激活参数量决定单次推理成本。
8. 开源模型和开放权重模型有什么区别？
严格意义的「开源」按开放源代码定义（Open Source Definition，OSI）要求权重、代码、数据与许可四要素齐备；「开放权重」仅公开权重文件，不保证训练数据与代码开放。 实践中多数大模型属「开放权重」：Llama 仅开放权重与推理代码，未开放训练数据；DeepSeek、Qwen 开放权重，部分额外开放技术报告与数据说明。
9. 使用开源大模型会涉及数据隐私问题吗？
本地部署开源模型时数据不离开本机，隐私风险低于云端 API 调用；但开源模型本身仍可能记忆训练数据，且本地日志、第三方运行时（如遥测上报）需自行审计。 处理敏感数据时建议：本地部署、关闭遥测、不输入未授权个人信息，并遵守所在地数据保护法规。
10. 开源大模型的效果比闭源模型差吗？
效果取决于任务与评测基准：在编程、推理与中文任务上，头部开源模型（DeepSeek、Qwen、MiniMax 等）与闭源旗舰的差距正在缩小，但综合多模态与长上下文任务上闭源旗舰仍有领先。 选择标准应基于目标任务的公开基准与实际评测，而非简单归类「开源/闭源」。