Open-weight Model (Open-weight-model)
En open-weight-model er en AI-model, hvor de trænede parametre (vægtene) er frit tilgængelige til download. Det betyder, at virksomheder kan køre modellen lokalt, tilpasse den med egne data og bygge produkter oven på den uden at sende data til en ekstern API. Kendte eksempler inkluderer Metas Llama-serie, Mistrals modeller og Googles Gemma.
For forretningsledere er open-weight-modeller interessante, fordi de giver kontrol. Data forbliver internt, omkostningerne er forudsigelige, og der opstår ikke leverandørafhængighed. Det er et alternativ til lukkede modeller fra OpenAI og Anthropic, hvor man betaler per forespørgsel og accepterer leverandørens vilkår.
Begrebet er centralt i den aktuelle debat om AI-åbenhed, og det er vigtigt at forstå forskellen mellem open-weight og egentlig open-source AI, da de to begreber ofte forveksles.
Hvad kendetegner en open-weight-model?
En open-weight-model offentliggør de trænede parametre, også kaldet vægte og bias-værdier, som bestemmer, hvordan modellen behandler input og genererer output. Det er selve "hjernen" i modellen, som er resultatet af mange måneders træning på store datamængder.
Når vægtene er offentlige, kan en udvikler downloade modellen og køre den på egen hardware eller i et privat cloudmiljø. Man kan finjustere modellen med egne data via fine-tuning, optimere den med teknikker som kvantisering for at reducere ressourceforbruget, og integrere den direkte i egne systemer.
Det, der adskiller open-weight fra fuld open-source, er omfanget af det, der deles. En open-weight-model giver dig vægtene og typisk en licens, men ikke nødvendigvis træningskoden, datasættene eller den fulde arkitekturbeskrivelse. Open Source Initiative (OSI) har med deres Open Source AI Definition sat en strengere standard, der kræver, at hele udviklingspipelinen er tilgængelig.
I praksis opererer de fleste populære "åbne" modeller som open-weight. Metas Llama 4, Mistrals modeller og Alibabas Qwen-serie giver alle adgang til vægtene, men med varierende licenser og begrænsede indsigter i træningsprocessen.
For virksomheder er det afgørende at forstå denne forskel: open-weight giver dig adgang til at bruge intelligensen, men ikke nødvendigvis til at reproducere eller verificere hele træningsprocessen bag den.
Consile rådgiver om valg og implementering af open-weight-modeller. Kontakt os for en uforpligtende vurdering af, om open-weight er den rette strategi for jeres AI-initiativer.
Open-weight-modeller i erhvervslivet
Open-weight-modeller har ændret vilkårene for virksomheder, der vil bruge AI. Tidligere var valget binært: Byg selv fra bunden (dyrt og langsomt) eller brug en lukket API (hurtigt, men med begrænset kontrol). Open-weight-modeller tilbyder en mellemvej, hvor man får en færdigtrænet model, som kan tilpasses og deployes på egne vilkår.
Inden for regulerede brancher som finans, sundhed og det offentlige er open-weight særligt attraktivt. Data kan forblive bag virksomhedens firewall, og modellen kan køre i et on-premise- eller privat cloudmiljø. Det eliminerer risikoen for, at følsomme data sendes til en tredjepart.
Omkostningsprofilen er også anderledes. Hvor lukkede API-modeller koster per token, er open-weight-modeller gratis at downloade. De reelle omkostninger ligger i infrastruktur: GPU-servere, vedligeholdelse og det tekniske team, der skal finjustere og optimere. For virksomheder med stort volumen kan regnestykket hurtigt tippe i open-weights favør.
Konkret bruger virksomheder open-weight-modeller til intern vidensbase og søgning, kundesupport-chatbots, dokumentanalyse, kodegenerering og automatiseret indholdsgenerering. Mindre modeller som Mistrals 7B-varianter kan endda køre på en enkelt GPU, hvilket gør dem egnede til edge-scenarier og air-gapped miljøer.
Den strategiske fordel er uafhængighed. Hvis en leverandør ændrer priser, vilkår eller lukker en model, påvirker det ikke en virksomhed, der kører sin egen instans. Det giver en robusthed, som mange CTO'er og IT-direktører vægter højt i deres AI-roadmap.
Hvad en open-weight-model ikke er
Open-weight betyder ikke open-source. Det er den mest udbredte misforståelse. Fuld open-source kræver, at træningsdata, kode og arkitektur er tilgængelige, så andre kan reproducere modellen. Open-weight giver kun de færdige parametre. Forskellen er som at få en færdigbagt kage (open-weight) versus at få opskriften, ingredienslisten og bageprocessen (open-source).
Open-weight betyder heller ikke gratis i alle sammenhænge. Selvom vægtene kan downloades uden betaling, har de fleste open-weight-modeller licenser med begrænsninger. Metas Llama-licens kræver eksempelvis, at virksomheder med over 700 millioner månedlige brugere skal søge særskilt tilladelse. Andre modeller har begrænsninger på kommerciel brug eller krav om tilskrivning. Det er afgørende, at juridiske teams gennemgår licensvilkårene, før en model sættes i produktion.
Endelig er open-weight ikke ensbetydende med fuld gennemsigtighed. Uden adgang til træningsdata kan man ikke fuldt ud auditere, hvilke bias modellen måtte indeholde, eller verificere de sikkerhedstiltag, der er implementeret under træningen. For virksomheder med strenge krav til AI-compliance kan det være en relevant begrænsning.
Relaterede termer
Open-source AI giver virksomheder adgang til AI-modeller, de selv kan tilpasse og hoste. Forstå fordele, risici og hvornår open source er det rette valg.
En Foundation Model er en stor, pretrænet AI-model som GPT eller Claude. Forstå hvad de er, og hvordan virksomheder bruger dem.
Fine-tuning tilpasser en AI-model til et specifikt domæne. Lær hvornår fine-tuning er det rigtige valg fremfor RAG.
En LLM er en stor sprogmodel som GPT eller Claude, der forstår og genererer tekst. Lær hvad LLM'er er, og hvordan de bruges i virksomheder.
On-premise AI giver virksomheder fuld kontrol over data, modeller og compliance. Forstå fordele, begrænsninger og hvornår on-prem er det rette valg.
Small Language Models er kompakte AI-modeller, der løser specifikke opgaver hurtigere og billigere end store modeller. Lær, hvornår SLM er det rette valg.
Cloud AI giver virksomheder adgang til AI-tjenester via cloud-platforme uden store investeringer i hardware. Forstå fordele, risici og den europæiske kontekst.
Ofte stillede spørgsmål om Open-weight Model
Hvad er forskellen på en open-weight-model og en open-source-model?+
En open-weight-model deler de trænede parametre (vægtene), så du kan downloade og køre modellen. En open-source-model deler desuden træningskode, datasæt og fuld arkitektur, så du kan reproducere hele modellen. De fleste populære åbne modeller som Llama og Mistral er teknisk set open-weight, ikke fuld open-source.
Kræver det meget teknisk kapacitet at bruge en open-weight-model?+
Det afhænger af modellens størrelse. Mindre modeller (7-8B parametre) kan køre på en enkelt GPU og er relativt ligetil at deploye. Større modeller kræver mere infrastruktur og teknisk ekspertise til optimering og vedligeholdelse. Consile hjælper virksomheder med at vurdere, hvilken modelstørrelse og deployment-strategi der passer til deres behov.
Er open-weight-modeller sikre nok til erhvervsbrug?+
Ja, med de rette foranstaltninger. Open-weight-modeller kan faktisk øge sikkerheden, fordi data forbliver internt. Men det kræver, at virksomheden selv implementerer guardrails, monitorering og adgangskontrol. Licensen skal også gennemgås juridisk, da vilkårene varierer mellem modeller.