Hvad er open-source AI-modeller?

Open-source AI-modeller er AI-modeller, hvor licens og tilgængelige komponenter giver andre mulighed for at bruge, undersøge, ændre og dele modellen. Begrebet kræver mere end downloadbare modelvægte: kode, dataoplysninger, parametre, brugsrettigheder og dokumentation afgør, hvor åben modellen reelt er.

Hvad betyder open-source AI-modeller?

Open-source AI-modeller er modeller, hvor andre kan få praktisk og juridisk adgang til at bruge modellen, studere hvordan den virker, ændre den og dele den videre. I AI er det mere komplekst end almindelig software, fordi en model ikke kun består af kildekode. Den består også af træningsdata eller dataoplysninger, træningskode, modelarkitektur, parametre, vægte, inferenskode og dokumentation.

Open Source Initiative beskriver Open Source AI som AI-systemer, der giver frihederne til at bruge, studere, ændre og dele systemet. For maskinlæringssystemer kræver den foretrukne form til ændringer ifølge OSI adgang til data information, kode og parametre. Det gør definitionen strengere end en simpel downloadknap.

I praksis bruges udtrykket open-source AI ofte bredt. Nogle udgivere bruger det om modeller med åbne vægte, andre om modeller under permissive licenser som Apache 2.0, og andre igen om hele udviklingsprocesser med mere dokumenteret datagrundlag. Derfor bør du læse licensen og modelkortet, før du kalder en model open source i teknisk eller organisatorisk sammenhæng.

Hvad skal være åbent for at en AI-model kan kaldes open source?

En AI-model er mest åben, når både rettigheder og praktiske byggesten er tilgængelige. Rettighederne handler om licensen: må modellen bruges kommercielt, ændres, distribueres og indgå i andre systemer? De praktiske byggesten handler om, om en kvalificeret udvikler kan forstå, ændre og i nogen grad genskabe systemet.

OSI’s Open Source AI Definition nævner især tre elementer: data information, kode og parametre. Data information betyder ikke nødvendigvis, at alle træningsdata kan downloades, men at der skal være tilstrækkeligt detaljerede oplysninger om datakilder, oprindelse, udvælgelse, mærkning, filtrering og behandling. Kode dækker blandt andet træning, databehandling, validering, inferens og modelarkitektur. Parametre dækker de lærte vægte og relevante konfigurationer.

Det er en højere standard end mange populære modeludgivelser lever op til. En model kan være nyttig, gratis og lokalt kørbar uden at være open source efter den strengeste definition. Den sondring er central, hvis du arbejder med compliance, audit, offentlig indkøb, forskning eller genbrug i et produkt.

Hvordan adskiller open source sig fra open weights?

Open weights betyder, at de lærte modelparametre er gjort tilgængelige. Det gør det muligt at køre, teste og ofte fine-tune modellen uden at sende alle forespørgsler til en ekstern API. Open weights giver altså mere kontrol end en lukket model, men det er ikke det samme som fuld open source.

OSI beskriver open weights som en delvis åbenhed, fordi vægtene normalt ikke afslører hele træningsprocessen. Hvis træningskode, datasammensætning, filtreringsmetoder, evalueringsopsætning og mellemtrin mangler, kan andre ikke fuldt ud reproducere eller auditere modellen. Du kan bruge den endelige model, men du kan ikke nødvendigvis forstå, hvorfor den har de egenskaber, den har.

Det praktiske skel er vigtigt. Open weights kan være nok til lokal drift, eksperimenter og tilpasning. Open source er mere relevant, når du vil have dybere gennemsigtighed, mulighed for seriøs ekstern granskning og frihed til at bygge videre på hele systemet. Emnet ligger tæt på forskellen mellem open og closed source AI.

Hvilke dele af en model kan du normalt få adgang til?

Adgangen varierer fra projekt til projekt. Nogle udgivelser giver kun adgang til en hosted chatflade. Andre giver API-adgang, modelvægte, tokenizer, inferenskode, modelkort og eksempler på lokal kørsel. Færre udgivelser giver fuld træningskode, detaljeret datadokumentation, evalueringsopsætning og mellemstadier fra træningen.

Et modelkort på Hugging Face kan for eksempel vise licens, modeltype, parameterstørrelse, kontekstlængde og lokale køreveje. Det er nyttig dokumentation, men det skal læses sammen med licens og tilgængelige repositories, før du konkluderer noget om fuld åbenhed.

Hvad kan du bruge open-source AI-modeller til?

Open-source eller åbent tilgængelige AI-modeller kan bruges til chatbotter, søgning, opsummering, kodehjælp, klassifikation, oversættelse, dokumentanalyse, embeddings, billedforståelse og interne assistenter. Den konkrete anvendelse afhænger af modeltype, licens, hardware, sikkerhedsbehov og kvaliteten af de data, modellen kobles sammen med.

Den største praktiske fordel er kontrol. Du kan vælge hosting, versionsstyring, logning, adgangskontrol og opdateringsrytme. Du kan også teste modellen i egne arbejdsgange, sammenligne flere modelvarianter og lave tilpasninger. Hvis du arbejder med domænespecifik viden, kan open weights være et udgangspunkt for fine-tuning af sprogmodeller eller for en retrieval-baseret løsning.

Åbenhed er dog ikke i sig selv en kvalitetsgaranti. En lukket model kan være bedre til en bestemt opgave, og en åben model kan være lettere at kontrollere uden at give bedre svar. Et seriøst valg kræver test på egne opgaver, ikke kun vurdering af licens eller modelnavn.

Hvornår giver lokal drift mening?

Lokal drift giver mening, når organisationen har behov for datakontrol, lav latenstid, offline-lignende brug, fast versionering eller mulighed for at køre modellen i egen infrastruktur. Det kan være relevant for interne dokumenter, udviklingsmiljøer, klassifikation på egne datasæt eller AI-funktioner, der skal fungere tæt på enheden.

Open weights gør lokal drift praktisk mulig, men ikke automatisk enkel. Du skal vurdere hardware, hukommelse, GPU- eller NPU-kapacitet, kvantisering, hastighed, strømforbrug, opdateringer og vedligeholdelse. En mindre model kan være mere nyttig end en større model, hvis den kører stabilt, hurtigt og kontrollerbart i den konkrete arbejdsgang.

Lokal drift er heller ikke det samme som fuld sikkerhed. Logs, adgangsrettigheder, integrerede datakilder, brugerinput og output kan stadig skabe risiko. En samlet vurdering bør derfor koble open-source AI med principperne bag lokal AI og almindelig driftssikkerhed.

Hvilke licensvilkår skal du læse først?

Licensen afgør, hvad du må gøre med modellen. Start med at læse, om licensen tillader kommerciel brug, redistribution, ændring, finjustering, modelafledte produkter og brug i bestemte domæner. Læs også, om der er særvilkår for store platforme, konkurrencebegrænsninger, acceptable-use-politikker eller krav om at videreføre samme licens.

Permissive licenser som Apache 2.0 kan give bred brugsfrihed, men du skal stadig kontrollere den konkrete modeludgivelse. En model kan have Apache 2.0 på vægtene, mens datasæt, evalueringskode, navn, varemærke, træningspipeline eller tredjepartsafhængigheder har andre vilkår. Licensen på én komponent dækker ikke nødvendigvis hele systemet.

Hvis modellen skal bruges i et produkt, bør licenslæsningen ske før teknisk integration. Det er billigere at afklare vilkår, attribution, redistribution og begrænsninger tidligt end at skifte model efter udvikling, test og dokumentation er på plads.

Hvilke tekniske krav følger med åbne modeller?

Åbne modeller kræver teknisk drift. Du skal kunne hente modellen sikkert, verificere versionen, vælge inference-stack, håndtere afhængigheder, sætte adgangskontrol op og overvåge output. Hvis modellen kører lokalt, skal infrastrukturen kunne håndtere hukommelse, parallelisering og latency. Hvis den kører i privat cloud, skal netværk, nøgler, skalering og logging styres.

Modelstørrelse er et praktisk valg, ikke kun et prestigeparameter. Større modeller kræver typisk mere hukommelse og dyrere drift, mens mindre modeller kan være hurtigere, billigere og lettere at sikre. Hvis du sammenligner modeller, bør du se på kvalitet pr. opgave, svartid, hardwarekrav og fejltyper. En indføring i parameterstørrelser i sprogmodeller kan hjælpe med at afkode den del.

Du bør også skelne mellem basismodeller og instruktionsjusterede modeller. En basismodel kan være fleksibel, men kræver mere teknisk opsætning og sikkerhedslag. En instruktionsjusteret model er ofte lettere at bruge i en assistent, men kan stadig give forkerte eller uønskede svar, hvis opgaven er uklar eller datagrundlaget er svagt.

Hvilke risici følger med open-source AI?

Open-source AI reducerer nogle former for leverandørafhængighed, men skaber ikke automatisk sikker eller ansvarlig brug. Når en model kan downloades og ændres, kan den også bruges uden de sikkerhedslag, en hosted leverandør normalt lægger rundt om modellen. Mistral beskriver for eksempel Mixtral 8x7B som en base model uden indbyggede moderationsmekanismer.

Risici kan opstå på flere niveauer: modellen kan give fejlagtige svar, træningsdata kan have skævheder, licensen kan blive misforstået, afledte versioner kan miste sikkerhedsforanstaltninger, og lokale integrationer kan give adgang til for brede datakilder. Åbenhed gør det lettere at undersøge noget af dette, men den fjerner ikke behovet for kontrol.

Derfor bør open-source AI indgå i en bredere styringsramme. Organisationen skal vide, hvem der vælger modeller, hvem der godkender opdateringer, hvordan output testes, og hvordan fejl håndteres. Det er samme logik, som ligger bag AI-governance: beslutninger om AI skal have ejerskab, dokumentation og løbende vurdering.

Hvordan vurderer du kvalitet og sikkerhed?

Kvalitet bør vurderes med egne testopgaver. Generelle ranglister og benchmarkresultater kan give et første fingerpeg, men de fortæller ikke nødvendigvis, hvordan modellen klarer interne dokumenter, dansk fagsprog, lange instruktioner, kildehenvisninger, tabeller, kundedata eller følsomme emner. Testen bør ligne den faktiske brug.

En enkel vurdering kan begynde med fem spørgsmål: Hvilke opgaver skal modellen løse? Hvilke fejl er acceptable? Hvilke data må modellen se? Hvem godkender output? Hvordan opdages og rettes fejl efter idriftsættelse? Når svarene er konkrete, bliver modelvalget mindre styret af navne og mere af dokumenteret egnethed.

Sikkerhedsvurderingen bør også omfatte supply chain. Hent modellen fra en troværdig kilde, fastlås versioner, dokumentér hashes eller releases, og undgå ukendte afledte modeller i produktionsmiljøer. Åbne økosystemer giver mange muligheder, men de kræver samme disciplin som anden softwareforsyning.

Hvordan påvirker EU AI Act open-source AI-modeller?

EU AI Act indeholder regler for general-purpose AI models og modeller med systemic risk. Forordningen nævner free and open-source licence i forbindelse med visse undtagelser fra dokumentationsforpligtelser, når modellen giver adgang til brug, ændring, distribution, parametre, modelarkitektur og brugsinformation. Undtagelsen gælder dog ikke for general-purpose AI models med systemic risk.

Det betyder, at open-source-status ikke i sig selv fjerner alle krav eller risici. En model kan være åben og stadig indgå i et system, der er reguleret på grund af anvendelsen. Omvendt kan en lukket model bruges i en lavrisikoopgave. I praksis skal både model, integration, formål og kontekst vurderes.

For danske og europæiske organisationer er den praktiske konsekvens, at open-source AI bør dokumenteres: licens, version, modelkort, datakilder, formål, test, begrænsninger og hvem der har ansvar for drift. Det er ikke juridisk rådgivning, men en nødvendig del af teknisk og organisatorisk orden.

Hvordan vælger du mellem åben og lukket AI?

Valget bør begynde med opgaven. Hvis du har brug for dyb integration, lokal drift, versionskontrol og mulighed for tilpasning, kan en åben eller open-weight model være oplagt. Hvis du har brug for høj færdig kvalitet, drift uden egen infrastruktur, support og hurtig adgang til stærke frontier-modeller, kan en lukket API være mere praktisk.

En god beslutning sammenligner ikke kun modelkvalitet. Den sammenligner samlet risiko og samlet ejeromkostning: licens, hosting, sikkerhed, opdateringer, personale, latency, evalueringsarbejde, datagrænser og mulighed for at skifte model. Åbenhed er værdifuld, når organisationen faktisk kan bruge den til kontrol og forbedring.

Den mest robuste tilgang er ofte hybrid. Brug åbne modeller til kontrollerede interne funktioner, lokal behandling eller specifikke arbejdsgange, og brug lukkede modeller, hvor driftskvalitet eller kapacitet vejer tungere. Det afgørende er, at modeltypen vælges bevidst, dokumenteres og testes mod den konkrete opgave.

Hvilke kilder ligger til grund?

Artiklen bygger især på Open Source Initiatives Open Source AI Definition, OSI’s forklaring af open weights, Mistral AI’s udgivelsesnote om Mixtral of experts, modelkortet for Qwen3-8B og den officielle tekst til EU AI Act.