开源许可证正在被 AI 改写：传统许可体系围绕代码设计，模型权重、训练数据、生成内容的出现，让「开源」的边界开始重新讨论。社区许可、研究用途限制、数据来源争议接连出现，使用者在下载与商用之间需要多看几眼条款。这篇梳理许可体系的变化脉络与值得关注的趋势，文末附许可核对的高频问答。
传统许可管不到模型权重
经典开源许可证，GPL、MIT、Apache 这类，针对的对象是代码：赋予使用、修改、再分发的权利，附相应的义务。模型场景打乱了这套框架：权重是训练的产物，不是人手写的代码；推理代码开源而权重受限的模型很常见；用开源模型微调出的新模型，义务怎么传导，原许可证往往没有明确答案。于是出现了同一模型代码走 Apache 许可、权重另立许可的双轨结构，使用者要分开看两份条款，这已成为发布方的常见做法。
模型许可长出的新条款
模型许可出现了一批传统开源世界里没有的条款形态：使用限制条款，禁止用于特定用途或特定领域；命名与品牌条款，要求衍生模型不得使用原名称；收益分成条款，超过一定规模商用需协商商业授权；可接受使用政策作为许可证附件，违反政策即构成违约。这些条款让模型许可与传统开源精神的距离远近不一，有的宽松，有的实质上只是「可下载」而非「开源」。使用者的读法是抓三处：商用是否允许、衍生模型的义务、行业限制条款。读条款时把限制清单抄进自己的对比表，逐条打勾，比凭印象判断可靠。
训练数据的许可争议
争议集中在两个问题上：用受版权保护的内容训练模型是否构成合理使用，各国司法实践仍在推进中，结论尚未统一；训练数据的来源披露，开放数据集会列出授权清单，闭源模型的训练数据则基本不公开。对下游使用者的影响是间接但真实的：基于争议数据训练的模型，商用时存在潜在的不确定性，对合规敏感的业务，选择训练数据来源清晰的模型是降低风险的手段。这一领域变化快，重大判决与政策出台会直接改变风险判断。
开源定义的重新划定
开源促进会 OSI 于 2024 年发布了开源 AI 定义，主张开源 AI 应当在允许自由使用、研究、修改、分享的前提下，提供足够的训练信息，这个定义在社区引发了持续讨论：有人认为标准过严，有人认为没有数据与训练细节就谈不上开源。短期看，各类叫法会并存——严格开源、开放权重、可商用限制许可各有各的含义；长期看，定义收敛与监管介入都可能发生。使用者的务实策略是逐案看条款，不依赖「开源」标签做商用决策。
以上为公开许可动态的整理与观察，不构成法律建议，具体条款适用请以许可文本原文为准，重大商用决策建议咨询专业人士。
模型权重商用前要确认哪些条款？
- 许可条款与平台服务协议冲突时看哪个？：看对你更严格的那个。模型许可约束权重本身的使用，服务协议约束托管服务的使用，两层约束叠加时，按更保守的口径执行。
- 微调后的模型需要遵守原许可吗？：通常需要，原许可的义务大多传导到衍生模型，比如保留声明、遵守使用限制；具体传导范围以原许可文本为准，拿不准的先咨询再发布。
- 个人学习使用也要看许可吗？：研究学习一般风险低，但涉及公开发布成果、多人协作的项目，许可问题会立刻显现，习惯在建项目第一天就记录所用模型及其许可。
