🧙 Maestro Yoda Cap. 21 · Open source e HuggingFace

Puntata 226

Puntata 226 — “Open weight” vs “open source” davvero

Livello: 🧙 Maestro Yoda · Capitolo 21 · Open source e HuggingFace

Tutto il marketing dell’AI nel 2026 chiama “open source” qualunque modello con i pesi scaricabili. Quasi sempre è una bugia, o nel migliore dei casi un’esagerazione. La distinzione conta: tecnica, etica, legale. E quasi nessuno te la spiega prima di firmare la PO.

due bottiglie identiche, etichetta “OPEN” stampata uguale. Una contiene “weights only” (un solo strato visibile), l’altra contiene “weights + data + code + training recipe” (a strati colorati). Sotto: “stessa etichetta, contenuto diverso”

La definizione che esiste già

L’Open Source Initiative (OSI) mantiene dal 1998 la definizione canonica di “open source software”. 10 criteri, di cui i più rilevanti per noi: libera redistribuzione, codice sorgente disponibile, no discriminazione di campo d’uso, license che si propaga.

Nel 2024, l’OSI ha pubblicato la Open Source AI Definition (OSAID) 1.0 che estende questi principi al contesto AI. Per essere “open source AI” un modello deve dare:

  1. Pesi del modello (parameters file).
  2. Codice sorgente per training, data processing, inference.
  3. Informazioni sui dati sufficienti a riprodurre il training (non necessariamente i dati grezzi, ma una descrizione dettagliata + accesso ai dati pubblici utilizzati).
  4. License che permette uso, modifica, redistribuzione senza restrizioni di campo d’uso.

La 3 è quella controversa: l’OSI ha accettato “data information” invece di “data” per non rendere la definizione impossibile da soddisfare (i dataset di training di un LLM moderno sono giganteschi e a volte legalmente impossibili da rilasciare).

Con questa definizione, nel 2026:

  • Vero open source AI: OLMo (AI2), Pythia (EleutherAI), SmolLM (HF), BLOOM (BigScience), Phi (parzialmente), StarCoder2.
  • Open weight ma NON open source: Llama (qualunque versione), Gemma, Mistral Large, Qwen (in parte), DeepSeek-V3/R1 (in parte).

Cosa è “open weight”

Significa una cosa sola: i pesi del modello sono scaricabili pubblicamente. Tutto il resto (training data, codice, recipe, hyperparameters, eval suite, license d’uso) può essere chiuso, parziale, o gravato da restrizioni.

I modelli “open weight” si dividono in 3 sotto-categorie:

a) Open weight + license permissiva

Esempio: Apache 2.0 o MIT sui pesi. Puoi: usare commercialmente, modificare, ridistribuire, integrare in prodotti chiusi. NON puoi: necessariamente riprodurre il training (manca il dataset/codice). Esempi 2026: Mistral 7B, Phi 3.5, Qwen 2.5 (≤14B), DeepSeek-V3 (per uso e modifica).

b) Open weight + license custom (con restrizioni)

Esempio: Llama Community License, Gemma License, Mistral Research License. Puoi: usare in molti casi, anche commerciali, fino a certi limiti. NON puoi: usare se sei una “Big Tech competitor” sopra X utenti, in certi paesi sanzionati, per certi use case (CSAM, weapon, etc.), o senza prominent attribution. Sono proprietarie con concessione, non OSI-approved.

c) Open weight + license research-only

Esempio: LLaMA 1, Falcon Mamba Research, alcuni Mistral nuovi. Puoi: usare per ricerca, modificare per esperimenti. NON puoi: usare commercialmente.

Cosa è “open source AI” sul serio

Ti dà la filiera completa per ricostruire il modello da zero:

  1. Dataset di pretraining (o link pubblici + descrizione del filtering).
  2. Codice di tokenization, data prep, training loop.
  3. Hyperparameters (LR schedule, batch size, seq length, parallelism config).
  4. Checkpoint intermedi (utili per ricerca: studio fenomeni emergenti).
  5. Eval suite + risultati riproducibili.
  6. License OSI-compatibile sui pesi e su codice e sui dati.

Pochissimi modelli passano questo test. L’esempio canonico: OLMo di Allen Institute for AI. Ti dà letteralmente: pesi + tutti i 5 trilioni di token usati (Dolma dataset) + codice training su GitHub + log W&B + checkpoint ogni 1000 step. Apache 2.0 dappertutto. È riproducibile da una università seria.

Perché la distinzione conta in pratica

Tre conseguenze concrete che spesso fanno male.

1. Audit di sicurezza

Vuoi sapere se il tuo modello aziendale è stato addestrato su dati personali, contenuti CSAM, copyright in violazione? Con un modello open weight only non puoi: i dati sono opachi. Con un vero open source puoi.

Nel 2026 questa cosa è gradualmente diventata un requisito di compliance per AI Act high-risk e per molti settori regolati (finanza, sanità, PA).

2. Riproducibilità scientifica

Vuoi pubblicare un paper di ricerca che “estende Llama” o “spiega un comportamento di Llama”? Senza accesso al training data, non puoi controllare se l’effetto osservato è dovuto al modello o al dataset. Meta non ti aiuta. Lo studio è zoppo.

3. Indipendenza strategica

Un modello “open weight” può essere ritirato. Meta può ritirare la license Llama domani. Ti restano i pesi che hai già scaricato, ma:

  • Non puoi più legalmente distribuirli ai partner.
  • Non puoi più riceverne aggiornamenti.
  • I tuoi fork sono ora orfani.

Un modello veramente open source non ha questo problema: la community può forkare e mantenere indefinitamente.

Il marketing che inquina la conversazione

Diversi big player abusano del termine:

  • Meta chiama Llama “open source” nei comunicati ufficiali. L’OSI ha fatto un comunicato pubblico (2024) per contestarlo. Meta ha continuato.
  • Google chiama Gemma “open model” (linguaggio più corretto), ma molti media lo riportano “open source”.
  • OpenAI ha rilasciato gpt-oss-20b e gpt-oss-120b (2025), pesi Apache 2.0, senza training data o code → open weight, non open source. La PR aziendale ha usato entrambe le etichette.

L’effetto: il termine “open source AI” è semanticamente eroso. Quasi nessun cliente enterprise sa distinguere. I venditori ne approfittano.

Una griglia per decidere

Quando valuti un modello, chiediti:

  1. Pesi: scaricabili pubblicamente? (Sì/No)
  2. License: OSI-approved? (Apache 2.0, MIT, BSD = sì. Llama, Gemma, Qwen License = no.)
  3. License: ha restrizioni di use case o competitor? (Sì/No)
  4. Training data: descritto in dettaglio o accessibile? (Sì/No/Parziale)
  5. Codice di training: pubblico? (Sì/No)
  6. Checkpoint intermedi: pubblici? (Sì/No)

Tutti sì → open source AI (vero). Solo 1-3 sì → open weight permissivo. 1 sì + 3 no → open weight con restrizioni. Pesi solo via accordo → modello proprietario chiamato “open” abusivamente.

Cosa scegliere?

Dipende.

  • Prototipo veloce: open weight è ok, vai col primo che funziona.
  • Prodotto commerciale a basso rischio: open weight + license commerciale (Apache 2.0 / MIT preferibile).
  • Prodotto regolato (sanità, finanza, PA): cerca vero open source o accetta i rischi di compliance.
  • Ricerca scientifica: solo vero open source ha senso.
  • Indipendenza strategica enterprise: tienine due — un open weight che funziona oggi, un open source come backup riproducibile.

Una regola conservativa: assumi che ogni “open” che leggi nel marketing significhi “i pesi sono scaricabili, leggi tu i caratteri piccoli”.

Glossario lampo

  • OSI / OSAID — Open Source Initiative e la sua Open Source AI Definition v1.0 (Ott 2024).
  • Open weight — pesi pubblicamente scaricabili. Non implica niente su dati, codice, license.
  • Permissive license — license che permette uso commerciale senza copyleft (Apache 2.0, MIT, BSD).
  • OpenRAIL — Responsible AI License, comune nei diffusion model. Permette uso ma vieta use case specifici (deepfake non consensuali, ecc.). Non OSI-approved per definizione (le restrizioni di use case violano “no discrimination”).

Take-away

“Open weight” e “open source AI” sono due cose diverse, anche se i venditori vorrebbero non lo capissi. Open weight ti dà uno strumento. Open source ti dà uno strumento + il diritto di sapere come è stato fatto + la garanzia di poterlo continuare a usare e modificare. La seconda costa di più alle aziende che la rilasciano. Per questo è rara. E per questo è importante saperla riconoscere.

➡️ Prossima puntata: quantization — far girare un 70B sul portatile.