Kimi K3 的 2000 万美元门槛后，AI 开源变了 3 件事人工智能从开放权重，到商业授权、成本核算和可运行生态以前判断一个模型是否“开源”，看的是权重能不能下载。现在更该问三件事：谁能把它做成 MaaS，模型出了问题谁负责，别人能不能在它上面继续交付。Kimi K3 的许可条款，把这三个问题一起推到了台前。

AI 开源没有消失，而是从“开放下载”进入“分层开放”：权重更容易拿到，商业规模开始设门槛，真正有价值的开放资产则从单个模型扩展到训练信息、工程代码、评测方法和治理边界。这不是几家公司突然改了 License，而是开放模型开始从发布会和下载量，进入边界、账本和责任。变化一：开放权重开始分层收费据 Reuters 8 月 10 日报道，Meta 推出了面向本地 Agent 工作负载的开放权重模型 Muse Glimmer，并预告后续还会开放更大模型的权重。开放权重的好处很直接：开发者可以下载、私有部署、微调，不必把每一次调用都交给云端。2026 年 7 月底，Moonshot AI 发布 Kimi K3 权重。其许可证写明：如果企业及关联方经营 MaaS 业务，并且连续 12 个月合计总收入超过 2000 万美元，那么在将 Kimi K3 或衍生作品用于商业用途前，需要与 Moonshot AI 另行达成协议。MaaS 可以理解为“把模型能力包装成服务卖给别人”：你不一定训练模型，但会把它托管、调用或嵌入平台，再向客户提供 API、应用或工作流。个人研究、企业内部部署和平台级商业服务，已经不是同一种使用。所以，开放模型的第一道判断不再是“能不能下载”，而是“我处在许可证的哪一层”。团队选型时至少要确认：商业收入门槛是多少，衍生模型能否再分发，是否有品牌露出要求，MaaS 和内部部署是否被区别对待。变化二：“开源”和“开放权重”正式分家很多文章仍然把“开放权重”直接写成“开源”。在软件时代，这种混用不算致命；源代码公开，别人至少能看到程序怎么写。在大模型时代，一个模型不只有最后那份权重，还包括训练数据和来源、清洗流程、训练代码、评测体系、模型形成过程，以及安全和对齐方案。Open Source Initiative 的 Open Source AI Definition 把边界说得更清楚：使用者要拥有使用、研究、修改和分享系统的自由，并获得足以修改系统的信息与材料。只公开最终权重，意味着你可以运行和微调，却不一定能复现、审计或解释它。这不是字面争论。进入生产环境后，差别会变成具体决策：数据是否必须留在本地，推理成本能否估算，模型出了问题能否迁移，训练数据有没有版权和合规风险，高风险动作由谁审批、回滚和审计。Benchmark 多几分，往往没有这些问题重要。变化三：生态价值从模型榜单转向可运行系统模型发布以前像一个高潮：参数更大、榜单更高、上下文更长，很快就能成为当天的新闻。但开发者把开放模型放进业务后，真正麻烦的事情才开始出现：Agent 怎样调用外部系统，多 Agent 怎样分工，任务证据怎样留存，错误能否追踪，高风险操作能否回滚，一个能力能不能封装成 Skill 供下一次复用。这也是 Tokenomics Foundation 和 GOAI 世界人工智能开源大赛值得关注的原因。前者试图建立 AI 成本与价值的开放衡量标准，追问“AI 花了多少钱，又创造了多少价值”；后者把 Agent 基础设施、行业应用、AI for Research 和具身智能放在同一套可运行、可验证、可复现的规则下。这套标准关注的已经不是“你有没有又发布一个模型”，而是“别人能不能站在你的东西上继续做事”。开放模型的生态价值，正在从一个下载链接，变成一套可以运行、验证、交接和治理的工程资产。给团队的四个问题

如果只是个人尝鲜，开放权重仍然是好事：能下载、能本地跑、能微调，本身就扩大了选择。真正需要改变判断方式的是团队生产环境。你需要先确认许可证，再算清推理和返工成本，最后确认项目有没有足够的文档、接口、评测、复现实验和治理边界。2026 年讨论 AI 开源，重点已经不只是权重下载链接。谁定义边界，谁承担成本，谁把工程过程留下来，谁才更可能留下生态。模型有发布日期，生态没有。你现在选择开放模型时，第一道门槛是什么：许可证限制、部署成本，还是能不能复现和接手？欢迎把你的实际场景写在评论区。