自愿披露为何在几代复用后失效
治理开源权重模型的核心挑战在于其供应链深度且呈分支状。与专有API（由单一公司控制访问权限）不同，开源权重模型可被反复下载、微调、与其他模型合并并重新分发。一项针对开源AI主要平台Hugging Face上2,142,823个模型仓库的大规模审计，精确测量了治理信号在这些链条中的传播距离。结果触目惊心：伦理使用限制（如禁止军事用途的许可协议）的可见性以仅1.31个衍生步骤的半衰期衰减——这意味着经过一两轮复用后，半数衍生模型已完全失去原始限制的公开痕迹[2]。到第七代衍生时，至少80%的衍生模型缺乏足够公开证据用于治理判定[2]。该研究将此现象称为"治理地平线"——一个由结构决定的硬性深度极限，超越此界限，基于信息披露的治理手段将彻底失效。
问题不仅在于执行不力，更在于开放权重衍生本身的拓扑结构。同一项研究发现，那些没有可继承上游意图的谱系——即“孤儿”组件——在任何仅依赖继承的政策下都是根本不可判定的，无论许可证的执行力度有多强[2]。与Python包生态系统PyPI（其治理信号通过显式的机器可读声明传递）的对比表明，这种崩溃是开放权重衍生所特有的，而非开放生态系统的固有特征[2]。这对治理框架的启示显而易见：依赖自愿的元数据披露，即使执行得再完美，也无法治理深层模型谱系。框架必须将治理信号嵌入衍生过程本身——例如，要求将溯源元数据嵌入模型权重，或强制衍生模型默认携带机器可读的治理声明。
权重开放：对抗AI垄断最锐利的政策工具
尽管可追溯性是开源权重模型的薄弱环节，但其核心特征——权重开放——却成为防止AI市场滑向垄断的最强单一政策杠杆。一项基于Korinek与Vipra 2025年证明（即基础模型市场在捆绑接入与质量递归规模报酬条件下会走向垄断）的正式经济分析，提供了建设性对策：若权重开放性、计算可移植性与验证解耦在结构上分离，垄断倾向便无法形成[3]。该分析推导出一个闭式条件，表明在中等回报率区间内，权重开放性（ω）是最为锐利的政策变量：单一充分条件ω > (Λ−1)/[δ + (β+γ)·w_p] 界定了仅凭权重开放即可阻止垄断的阈值[3]。简言之，当规模报酬并非极端时，仅要求模型权重公开可用，就足以防止单一企业主导市场。
同样的分析表明，当规模报酬极大或计算可移植性较低时，需要采用多杠杆组合方案——但权重开放仍然是影响力最大的单一要素[3]。这对那些主要关注AI基础设施所有权归属（公有vs.私有）、而非关注访问权限如何构建的治理框架构成了直接挑战。论文证明了一个"正交性定理"：当访问权限得到恰当构建——即开放权重、可移植计算与独立验证——时，基础设施的所有权类型对福利结果的影响将退居次要地位[3]。对治理框架而言，这意味着强制要求开放权重（借鉴现有监管机制，如《哈奇-韦克斯曼法案》对仿制药最低信息披露要求的设计）比试图改变计算资源或训练数据的所有权归属，是一种更强大且结构上更稳定的干预手段[3]。
开源模型并非天然公平：治理必须正视的地理偏见
一种普遍的期望是，开放权重模型由于可供任何人审查和微调，自然会比专有模型更加公平。然而证据表明并非如此。一项针对四款前沿开放权重语言模型的2026年基准测试，基于覆盖227个国家、包含24,453项指标的全球验证数据集，发现这些模型对其训练数据中代表性不足的国家给出的回答准确性显著较低——这种模式被称为地理偏差[1]。该研究解决了以往工作的三个方法论局限：使用开放权重模型（因此结果可独立复现），仅评估各模型训练数据时间窗口内的年份（从而衡量的是真正的无知，而非知识过时），并采用五类回答分类法，将自信的捏造与诚实的未知区分开来[1]。地理偏差即使在开放权重模型中依然存在这一发现表明，仅靠开放性并不能保证公平性。
对于治理框架而言，这带来一个具体启示：任何依赖开源权重模型进行AI治理分析（例如评估风险或在各国间分配资源）的框架，都必须包含检测并纠正模型准确性地理差异的机制。该研究采用混合效应逻辑回归和双重差分分析来估算这些差异，为方法论提供了模板[1]。更广泛地说，开源权重模型中持续存在的偏见表明，治理必须覆盖数据供应链，而不仅仅是模型权重。一项针对前沿数据治理的独立分析提出了15项机制，针对数据供应链中的参与者，包括强制性数据集报告要求、用于检测未经授权数据使用的金丝雀令牌，以及针对数据供应商的“了解你的客户”要求[5]。这些机制旨在与权重开源协同运作，而非替代它。
关于这些来源
该答案基于5项研究（均为预印本）——发表于2024年至2026年，其中5项为2024年或之后——这些研究是从9项通过质量筛选的研究中选出的最相关成果，而该9项研究又源自从超过5亿篇论文的数据库中检索出的36篇文献。
本文引用的文献
面向全球AI技术治理的开源权重基础模型基准测试
对四款开源前沿大语言模型进行了基准测试，使用涵盖227个国家、24,453项指标的全球验证数据集，发现即使开源模型也存在持续的地理偏见；采用五类响应分类法，区分了自信捏造与诚实不确定性[1]。
开放权重AI模型中伦理使用约束的治理视野
对Hugging Face上的2,142,823个模型仓库进行了审计，发现伦理使用限制的证据每经过1.31次衍生步骤便衰减一半；超过七代后，至少80%的衍生模型缺乏足够的公开证据以进行治理判定[2]。
获取而非拥有：人工智能治理体制的正交性定理
证明了一个正交性定理，表明当权重开放性、计算可移植性和验证解耦在结构上相互分离时，基础模型市场不会走向垄断；并推导出一个闭式条件，指出权重开放性是最有效的单一政策杠杆[3]。
Guardian AI：面向前沿AI的开源治理框架
提出“守护者AI”这一开源前沿AI治理框架，包含自适应风险评估（指南针指数）、制衡机制以及“自愿但具约束力”的执行模式[4]。
面向前沿AI模型的数据治理
提出了15项前沿数据治理政策机制，包括金丝雀令牌、自动数据过滤、强制性数据集报告、改进数据集安全性，以及针对数据供应商的“了解你的客户”要求[6]。