开源权重AI模型需要与之相称的评估方法

开源权重AI模型（OWMs）带来了一系列独特的风险因素，而现有的评估实践大多是针对闭源权重模型的部署场景设计的，难以有效应对这些风险。研究人员提出了一套针对开源权重AI模型的"相称性评估"（PE）方法，并对2025年至2026年4月间发布的开源权重AI模型进行了系统性梳理与审查。结果显示，在所审查的37个模型系列中，仅有一个满足PE1至PE4的全部要求，绝大多数模型甚至未能满足其中任何一项标准。

Q&A

Q1：开源权重AI模型和闭源权重模型在评估上有什么不同？

A：开源权重AI模型允许外部访问模型权重，这带来了闭源模型所没有的独特风险，例如被滥用或进行未经授权的修改。现有评估体系主要面向闭源模型设计，无法有效覆盖开源权重模型的潜在风险，因此需要专门的相称性评估方法来填补这一空白。

Q2：什么是相称性评估（PE）方法？

A：相称性评估是研究人员专门为开源权重AI模型提出的一套评估框架，旨在根据模型开放程度和潜在风险，制定与之匹配的评估标准和流程，确保评估力度与模型实际带来的风险相称，而非沿用针对闭源模型的通用方法。

Q3：目前开源权重AI模型的评估现状如何？

A：研究人员对2025年至2026年4月间发布的37个开源权重AI模型系列进行了系统审查，发现情况不容乐观。其中只有一个模型系列完整满足了PE1至PE4的全部相称性评估要求，而大多数模型系列甚至未能达到任何一项标准，整体评估实践严重滞后。