不少模型实验室靠海量网络数据训练模型，却在服务条款里写下另一条规矩：你不能拿我的模型输出训练自己的模型。

这道边界正在被挑战。Ben Thompson提出，美国应直接修改规则：一头明确训练数据采集属于合理使用，一头禁止公司用服务条款封锁模型蒸馏。

这还只是政策建议，没有成为美国法律。真正值得讨论的，也不只是实验室有没有“双标”，而是美国愿不愿意把训练、蒸馏和知识扩散放进一套更利于本土开放模型的规则。

两项政策主张，不能揉成一项

Thompson的建议包含两件法律效果不同的事。

政策主张改变什么可能受益者现实争议
明确训练数据采集属于合理使用降低模型训练面临的版权风险模型实验室、研究机构、开放模型团队数据来源、使用范围、对原作品市场的影响仍要界定
禁止服务条款限制蒸馏削弱API厂商用合同阻止模型学习的能力中小模型团队、开放模型开发者不等于强制厂商开放API，也不能取消限速、封号和访问控制

美国现行的“合理使用”不是一句万能免责条款。法院通常会结合使用目的、作品性质、使用数量和市场影响逐案判断。生成式AI训练能否整体落入合理使用，仍有大量诉讼和边界问题。

所以，明确训练数据采集属于合理使用，最多是在法定范围内降低版权不确定性。它不等于模型公司拿到全面免责，更不代表盗版数据、隐私数据和绕过访问控制都能顺带合法化。

禁止服务条款封锁蒸馏，则是在处理另一类问题：合同。

API厂商今天未必能从技术上彻底阻止蒸馏，但可以终止账号、索赔违约损失，或者拒绝继续提供服务。若法律让相关条款失效，这层合同威慑会被削弱。平台仍然握有限速、定价、身份验证和异常流量检测等工具。

门上的牌子可以拆，门把手还在厂商手里。

同一时间，Qwen出现了一次路线转向。按照Thompson文章中的梳理，阿里巴巴在5月没有开放Qwen 3.7 Max，随后却将Qwen 3.8 Max开放权重。

Thompson推测，这可能受到习近平近期讲话的影响。讲话提出，应抓住历史机遇，鼓励“开源、开放、协作和共享”。这只能算时间与政策信号上的关联，目前没有公开证据证明讲话直接促成了阿里的产品决定。

还有一个概念必须分清：

  • 开放权重.外部开发者可以获得模型参数，具体权限仍取决于许可证。
  • 开源模型.通常还涉及代码、训练流程、许可证和可复现性。
  • 完整开放生态.还需要数据、工具链、社区、部署支持和持续维护。

放出权重，只是把一扇门打开。门后有没有路，是另一回事。

蒸馏很难封死，但绝非没有成本

模型蒸馏的基本做法，是让较强的“教师模型”生成回答，再用这些输出训练较小的“学生模型”。获取教师输出，确实可以通过普通API查询完成。

这也是Thompson判断封锁蒸馏近乎不可能的理由：从接口视角看，正常调用与系统性收集输出，都表现为一次次请求。

但二者并非毫无区别。

大规模蒸馏通常需要持续查询、覆盖大量任务、保存输出并反复训练。API厂商可以分析请求密度、提示词分布、账号关联和调用模式，提高蒸馏成本。服务条款也能把技术怀疑变成封号或诉讼依据。

因此，取消合同限制不会让蒸馏变成免费午餐。它改变的是风险结构：

  • 开放模型团队少一层违约压力，更敢把闭源API输出用于训练。
  • API厂商会更依赖价格、配额和技术检测，甚至减少高价值输出的开放程度。
  • 如果规则只约束美国公司，收益未必只留在美国。海外竞争者同样可能调用这些接口。

这一点很关键。美国若想扶持本土开放模型，就要回答“谁可以蒸馏、蒸馏到什么程度、如何区分正常使用与系统性复制”。只废掉一条服务条款，政策红利可能顺着API流向全球。

“双标”是有力的道德指控，却不是完整的制度设计。

模型公司使用网络数据训练，与客户使用API输出训练竞争模型，涉及不同的版权、合同和市场关系。前者的争议不能自动消灭后者的权利。反过来也一样：厂商付费训练出模型，不代表它理应永久控制模型学到的知识如何扩散。

开放权重是一种竞争手段

我更在意Qwen路线转向背后的竞争算计。

开放权重可以降低试用和迁移门槛，让开发者本地部署、微调模型，并把应用接入同一套工具链。对一家同时经营云服务和企业AI业务的公司来说，模型未必只能靠API调用费赚钱。模型传播得越广，配套算力、部署和服务就越容易进入采购清单。

“天下熙熙，皆为利来。”开放不必来自道德冲动，也可以是一种更有效的商业进攻。

历史上，IBM PC开放架构后，兼容机迅速扩大了市场，价值却逐渐流向芯片、操作系统和渠道。大模型并不完全一样：训练算力、数据和云平台仍高度集中。但相似之处很清楚——开放接口或关键组件，往往能加速扩散，也会让原厂放弃一部分控制权。

这正是Qwen开放权重需要继续验证的地方。下载量、开发者讨论和榜单成绩可以制造声量，却不能自动换成稳定收入。许可证是否宽松、推理成本是否可控、工具是否完善、版本能否持续维护，都会决定开放最终留下什么。

对两类读者，眼前的动作很具体。

做模型训练的团队，不要把Thompson的建议当成现行许可。 在法律改变前，批量收集API输出仍可能触发服务条款。团队应保存数据来源和调用记录，评估账号终止、合同违约与模型下架风险，而不是看到“蒸馏难以检测”就直接开跑。

正在评估Qwen的企业，也别只看“开放权重”四个字。 采购前应核对许可证、部署硬件、推理成本、数据合规和工具兼容性。权重可以免费获得，迁移、运维和算力不会因此消失。

接下来真正有用的观察点只有几个：Thompson的建议会不会变成具体法案；法律如何定义蒸馏与正常调用的边界；API厂商是否收紧价格和访问控制；Qwen能否持续开放后续版本，而不是只做一次政策姿态。

规则若改，赢家也不会自动产生。知识可以流动，算力、渠道和执行能力仍要结账。