[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-model-weights::ru":3,"gloss-cluster-model-weights::ru":23,"gloss-next-model-weights::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"model-weights","core-ai","Веса модели","Веса модели — это конкретные, сохранённые числовые значения параметров обученной нейронной сети — тот самый файл (или набор файлов), который вы скачиваете, загружаете в память и запускаете для использования модели, в отличие от абстрактной архитектуры или процесса обучения, который их произвёл. Когда говорят о разнице между «открытыми» (open-weight) и «закрытыми» моделями, речь идёт именно об этом: открытые модели (такие как Llama, Mistral, Qwen и DeepSeek) публикуют файлы своих обученных весов, чтобы любой мог их скачать, изучить, разместить на своей инфраструктуре и дообучить; закрытые модели (такие как Claude, GPT и Gemini) держат веса приватными на инфраструктуре самого поставщика, доступ к ним возможен только через API, без возможности скачать или напрямую изучить исходные числа. Это различие принципиально важно для разработчиков SaaS и ИИ-продуктов как настоящее архитектурное и бизнес-решение, а не просто философский вопрос. Открытые веса дают: полный суверенитет над данными (запуск модели полностью в рамках собственной инфраструктуры, что критично для регулируемых отраслей или строгих требований к приватности), неограниченное дообучение и кастомизацию без ограничений API поставщика, отсутствие платы за токен после развёртывания инфраструктуры (хотя её заменяют затраты на оборудование\u002Fхостинг) и отсутствие зависимости от времени безотказной работы, изменений цен или политики третьей стороны. Закрытые модели обычно предлагают: отсутствие бремени управления инфраструктурой\u002FGPU, доступ к самым мощным передовым моделям (открытые модели исторически отставали от закрытых передовых на 6-18 месяцев, хотя разрыв со временем сокращается), более простую экономику оплаты по факту использования при низких-средних объёмах и автоматический доступ к улучшениям модели без какой-либо работы по миграции. Конкретный пример: SaaS-компания в сфере здравоохранения, работающая с конфиденциальными данными пациентов при строгих требованиях соответствия нормативам, решает, что отправка любых данных на стороннее API категорически неприемлема; она скачивает открытые веса Llama, размещает модель на собственной GPU-инфраструктуре внутри своего периметра соответствия и принимает несколько менее мощную модель в обмен на полный контроль над данными — компромисс, который обычный маркетинговый SaaS-инструмент без таких ограничений, скорее всего, сделал бы в противоположную сторону, отдав предпочтение закрытому передовому API ради простоты и возможностей. Стоит знать, что между полностью закрытым и полностью открытым существует промежуточный вариант: некоторые поставщики предлагают модели с «открытыми весами и ограниченной лицензией» (веса можно скачать и разместить самостоятельно, но использование связано лицензией, ограничивающей определённое коммерческое применение или требующей указания авторства выше определённого порога использования) — то есть сам по себе термин «открытые веса» не означает автоматически неограниченное коммерческое использование, и разработчикам стоит читать конкретные условия лицензии модели, прежде чем предполагать, что самостоятельный хостинг снимает все юридические\u002Fкоммерческие ограничения, поскольку условия лицензий значительно различаются между семействами моделей и могут меняться от версии к версии.","Веса модели — это выученные числовые параметры, сохранённые после обучения: реальные файлы модели, которые можно скачать и разместить у себя.",null,[11,14,17,20],{"slug":12,"name":13},"foundation-model","Базовая (фундаментальная) модель",{"slug":15,"name":16},"gpu","GPU (графический процессор)",{"slug":18,"name":19},"lora","Низкоранговая адаптация (LoRA)",{"slug":21,"name":22},"quantization","Квантизация",[24,28,32,36,39,42,45,48,51,54,57,60],{"slug":25,"category":5,"name":26,"updated_at":27},"agentic","Агентный AI (Agentic AI)","2026-08-24T02:46:36+00:00",{"slug":29,"category":5,"name":30,"updated_at":31},"alignment-tax","Налог на выравнивание (Alignment Tax)","2026-08-24T02:46:37+00:00",{"slug":33,"category":5,"name":34,"updated_at":35},"artificial-intelligence","Искусственный интеллект (ИИ)","2026-08-24T02:46:38+00:00",{"slug":37,"category":5,"name":38,"updated_at":27},"attention","Внимание (Attention)",{"slug":40,"category":5,"name":41,"updated_at":35},"beam-search","Лучевой поиск",{"slug":43,"category":5,"name":44,"updated_at":31},"benchmark-contamination","Загрязнение бенчмарка (Benchmark Contamination)",{"slug":46,"category":5,"name":47,"updated_at":31},"catastrophic-forgetting","Катастрофическое забывание (Catastrophic Forgetting)",{"slug":49,"category":5,"name":50,"updated_at":35},"computer-vision","Компьютерное зрение",{"slug":52,"category":5,"name":53,"updated_at":31},"constitutional-ai","Конституционный ИИ (Constitutional AI)",{"slug":55,"category":5,"name":56,"updated_at":27},"context-window","Контекстное окно",{"slug":58,"category":5,"name":59,"updated_at":35},"deep-learning","Глубокое обучение",{"slug":61,"category":5,"name":62,"updated_at":27},"diffusion-model","Диффузионная модель (Diffusion Model)"]