Sa esensya, isang napakalaking file ng mga numero ang model: ang weights nito. Kapag inilathala ng developer ang file na iyon, kahit sino ay puwedeng magpatakbo ng model sa sarili nilang hardware.
Paano ito gumagana
Ang training ang bumubuo ng weights: ang mga parameter na natutunan ng isang neural network. Inilalarawan ng Open Source Initiative ang open weights bilang “the final weights and biases of a trained neural network.” (Salin ng BroadRouter: “ang huling weights at biases ng isang trained na neural network.”) Gamit ang mga ito, puwede kang magpatakbo ng inference, mag-fine-tune o mag-quantize ng model.
Ayon sa OSI, kadalasang hindi kasama sa open weights ang:
- ang training code;
- detalyadong impormasyon tungkol sa training data.
Kailangan ng Open Source AI definition ng OSI ang dalawang ito, kasama ng weights, para mapag-aralan at ma-reproduce ng iba ang model. Maraming sikat na model ang open-weight pero hindi open source sa ganitong kahulugan. Isang kaugnay na parirala ang ginagamit sa mga ulat ng gobyerno ng US: mga model na may “widely available model weights” (malawakang available na model weights). Halimbawa, tinatawag ng Google na “open models” ang Gemma family nito.
May kasamang lisensya ang bawat open-weight na release. Kabilang sa mga karaniwan ang Apache-2.0 at MIT, habang nililimitahan naman ng iba ang commercial na paggamit. Ang lisensya ang nagpapasya kung puwede mong i-serve ang model sa ibang tao sa pamamagitan ng API.
Bakit ito mahalaga
- Pagpili kung saan ito tatakbo. Mag-self-host para sa buong kontrol, o tumawag sa isa sa ilang provider na nagse-serve ng parehong model.
- Privacy. Puwede mong panatilihin ang data sa sarili mong hardware, o pumili ng host na may zero data retention.
- Walang lock-in. Kapag nagbago ng terms ang isang provider, tatakbo pa rin sa iba ang parehong weights. Sa isang OpenAI-compatible API, pagpapalit lang ng configuration ang paglipat.
- Parehong pangalan, ibang pag-serve. Puwedeng i-serve ng dalawang provider ang iisang model nang may ibang quantization, context limit o settings. Mag-test sa sarili mong mga prompt.
Sa BroadNet Inference
Sabi ng model catalogue ng BroadNet: “~270 models run on our GPUs” (Salin ng BroadRouter: “~270 model ang tumakbo sa aming mga GPU”; lab figure, Setyembre 2026). Binibilang nito ang bawat model na sinasabi ng BroadNet na napatakbo, na-benchmark, na-quantize o na-fine-tune nito, kasama ang mga hindi nito pinili, hindi lang ang mga model sa API nito. Inilalarawan ng privacy statement nito ang hosting bilang hardware sa US na pag-aari o inuupahan ng BroadNet, na may capacity ng partner bilang backup. Ipinapakita ng model catalogue nito ang mga lisensya, dahil sa sarili nitong salita, ang mga ito ay “decide what can be served through an API.” (Salin ng BroadRouter: “nagpapasya kung ano ang puwedeng i-serve sa pamamagitan ng API.”) Ang BroadNet Gemma 4 VL 26B ay build ng BroadNet ng Gemma 4 ng Google. Nakabatay sa Cohere Transcribe ang BroadNet Transcribe Arabic, at iniuulat ng BroadNet na nasa ika-2 sa 37 (datos noong Setyembre 2026; sa live na ranggo noong Nobyembre 15, 2026, ika-4 sa 39 ito) ito sa Open Universal Arabic ASR Leaderboard, at una sa mga model na pinapayagan ng lisensya na i-serve sa API.
Para pumili ng model para sa Arabic na text, tingnan ang pagpili ng LLM para sa Arabic.