Pesi aperti o open-source? La differenza che compte

#L'equivoco iniziale

Quando scarichi Llama, Mistral o Qwen tramite Ollama, senti ovunque la parola «open-source». È quasi sempre un uso improprio del termine. Il termine esatto è open-weights: ciò che il laboratorio pubblica sono i pesi del modello, i miliardi di parametri numerici appresi durante l'addestramento. Il resto (il codice utilizzato per l'addestramento, il corpus di dati, la ricetta esatta) rimane chiuso nella maggior parte dei casi.

La confusione nasce da un'analogia allettante ma falsa: si equiparano i pesi al «codice sorgente» del modello. Tuttavia, i pesi non sono codice leggibile e modificabile come il sorgente di un software. Sono il risultato compilato di un addestramento. Ricevere i pesi è un po' come ricevere un binario eseguibile molto potente e riconfigurabile — non l'intera catena che permette di ricostruirlo da zero.

#Pesi, codice, dati: i tre livelli di apertura

Per valutare l'apertura di un modello, bisogna distinguere tre componenti indipendenti. Un modello può rendere aperte una, due o tutte e tre le componenti. È la combinazione che determina il suo grado reale di apertura.

I pesi (weights)

I parametri numerici della rete, distribuiti in file (spesso in formato GGUF o safetensors). Con questi puoi eseguire il modello, quantizzarlo e sottoporlo a fine-tuning. È il livello più frequentemente aperto.

Il codice di training

Gli script, l'architettura dettagliata, gli iperparametri, la ricetta di pre-addestramento e allineamento. Senza questo codice, non puoi riprodurre il modello — puoi solo usarlo così com'è.

Dati di training

Il corpus su cui il modello ha appreso. Quasi mai pubblicato, per motivi giuridici (diritti d'autore), concorrenziali e pratici (terabyte di testo).

Un vero software open-source offre l'equivalente di tutti e tre: puoi leggere, modificare e ricompilare. Un LLM open-weights rende generalmente accessibile solo il primo elemento. È utile, spesso sufficiente per il self-hosting — ma non è open-source in senso stretto.

#Che cosa significa davvero open-weight e cosa permette di fare

Un modello open-weights ti dà accesso ai pesi, solitamente sotto una licenza che permette l'uso locale, la modifica e spesso l'uso commerciale. Nella pratica dell'auto-hosting, è proprio ciò di cui hai bisogno ogni giorno.

Eseguire localmente

Caricare il modello in Ollama, LM Studio o llama.cpp e farlo funzionare sulla tua macchina, offline, senza inviare i tuoi dati altrove.

Quantizer

Ridurre l'occupazione di memoria (Q4_K_M, Q5_K_M, Q8_0…) per far stare un modello di grandi dimensioni nella memoria della tua GPU. Un modello da 14B in Q4 trova spazio in circa 9 GB di VRAM.

Fine-tuner

Adattare il modello al tuo settore con i tuoi esempi (LoRA, QLoRA). Parti dai pesi pubblicati come base.

Ridistribuire

A seconda della licenza, ripubblicare una versione modificata — è ciò che alimenta le migliaia di varianti della community su Hugging Face.

Concretamente, quando lanci un modello con Ollama, stai utilizzando pesi open-weights. Il daemon ascolta su http://localhost:11434 e serve un modello di cui non conosci né il codice di addestramento né i dati — e per un uso locale, questo non ha alcuna importanza.

# Télécharger et exécuter des poids open-weights en local
ollama run qwen3.5:4b

# Inspecter la licence embarquée dans le modèle
ollama show qwen3.5:4b --license

#Perché Llama non è open-source in senso stretto

Llama di Meta è l'esempio tipico di un modello che viene chiamato «open-source» pur non essendolo. Meta pubblica i pesi con una propria licenza, la Llama Community License, che non è né Apache 2.0 né MIT. Due aspetti la rendono incompatibile con la definizione classica di open-source.

Una clausola con una soglia commerciale

La licenza impone condizioni particolari oltre un numero molto elevato di utenti attivi mensili. Una vera licenza open-source non discrimina mai per dimensione o uso (principio di non discriminazione).

Limitazioni d'uso

La politica di uso accettabile esclude alcuni casi. L'open-source classico non permette di restringere i settori di applicazione (« nessuna discriminazione sulle finalità »).

Né codice né dati

Meta non pubblica né il codice di addestramento completo né il corpus. Impossibile riprodurre Llama a partire da ciò che è distribuito.

L'Open Source Initiative, che mantiene la definizione di riferimento dell'open source, ritiene che questo tipo di licenza non soddisfi i criteri. Llama è quindi, a rigor di termini, un modello open-weights con una licenza permissiva ma soggetta a restrizioni — non un modello open source. Lo stesso ragionamento vale per molti modelli con una propria licenza «comunitaria».

#I modelli veramente open-source

La buona notizia: esistono modelli che meritano l'etichetta. Due famiglie si distinguono in base al grado di apertura.

#Pesi sotto una licenza approvata dall'OSI

Molti modelli pubblicano i propri pesi con licenza Apache 2.0 o MIT — licenze riconosciute come open-source, senza restrizioni d'uso né di finalità. È il caso di diversi modelli Mistral (come Mistral Small 24B), della famiglia Qwen (Qwen 3.5, Qwen 3.8) nelle sue versioni con licenza Apache 2.0, e di Gemma, che Google ha trasferito alla licenza Apache 2.0 con Gemma 4 (aprile 2026). Puoi usarli commercialmente, modificarli e redistribuirli liberamente. Attenzione, però: una licenza Apache sui pesi non significa che i dati o il codice di addestramento siano pubblicati.

#Apertura completa: pesi + codice + dati

A un livello superiore, alcuni progetti pubblicano tutto: pesi, codice di addestramento e dati. Iniziative come OLMo (Allen Institute for AI) o la famiglia Pythia (EleutherAI) mirano esplicitamente alla riproducibilità totale. Sono gli unici veramente open-source nel senso pieno del termine — ma sono rari e non sempre al livello dei migliori modelli open-weights in termini di qualità pura.

#Una griglia di lettura per valutare l’apertura

Di fronte a un nuovo modello, poniti queste domande nell'ordine indicato. Ti aiutano a passare dallo slogan di marketing a una valutazione concreta di ciò che potrai fare con il modello.

1. 01
   I pesi sono pubblici?

   È possibile scaricarli senza un accordo commerciale né una lista d'attesa? Se sì, il modello è almeno open-weights. Se no (accesso solo tramite API), il modello è chiuso, a prescindere da come viene presentato.
2. 02
   Con quale licenza?

   Apache 2.0 o MIT = licenze permissive e open-source per quanto riguarda i pesi. Licenza « community/research » creata dal produttore = leggere attentamente le restrizioni (soglia di utenti, uso commerciale, addestramento di modelli concorrenti).
3. 03
   L'uso commerciale è consentito?

   Un punto decisivo se sviluppi un prodotto. Alcune licenze lo vietano del tutto, altre lo limitano oltre una certa soglia.
4. 04
   È pubblicato il codice di addestramento?

   Se lo è, puoi capire e riprodurre la ricetta. Raro fuori dai progetti a carattere accademico.
5. 05
   I dati sono documentati?

   Corpus pubblicato o almeno descritto? È l'ultimo passo verso l'open-source completo e quello compiuto più raramente.

Un modello che risponde «sì» alle prime due domande copre già la stragrande maggioranza delle esigenze di self-hosting. Le ultime tre domande contano soprattutto per la ricerca, l'audit e le esigenze di conformità più rigorose.

Chiuso

Pesi inaccessibili, accesso solo tramite API. Esempi tipici: i modelli proprietari nel cloud.

Open-weights con restrizioni

Pesi pubblici, licenza propria con restrizioni. Esempio: Llama con la Community License.

Open-weights con licenza permissiva

Pesi pubblicamente disponibili con licenza Apache 2.0 / MIT. Esempi: Mistral Small 24B, Qwen 3.5 / 3.8, Gemma 4.

Open source completo

Pesi + codice + dati pubblicati e riproducibili. Esempi: OLMo, Pythia.

#Cosa cambia concretamente per te

La differenza non è teorica. A seconda della tua situazione, ha conseguenze pratiche dirette.

Fai self-hosting per uso personale

La distinzione ti riguarda poco. I pesi aperti sono più che sufficienti: puoi eseguire il modello e quantizzarlo, e i tuoi dati restano da te. Scegli in base alle prestazioni e alle dimensioni adatte alla tua GPU.

Stai costruendo un prodotto commerciale

La licenza diventa critica. Controlla che l'uso commerciale sia autorizzato e che nessuna soglia ti crei problemi. Preferisci Apache 2.0 / MIT per dormire tranquillo.

Devi effettuare un audit o dimostrare la conformità

Hai bisogno del codice e, idealmente, dei dati. Solo i modelli completamente open-source (OLMo, Pythia) permettono una vera tracciabilità dall'inizio alla fine.

Vuoi effettuare il fine-tuning e redistribuire

Verifica che la licenza consenta le opere derivate e la loro redistribuzione. La maggior parte delle licenze permissive lo permette; alcune licenze personalizzate impongono condizioni al riguardo.

#Per approfondire

Una volta chiarita la questione dell'apertura, queste guide ti aiutano a mettere in pratica il self-hosting:

Cos'è Ollama e come funziona

Punto di partenza per scaricare e eseguire pesi open-weights localmente, con i comandi di base (run, pull, list).

Scegliere la quantizzazione (Q4, Q5, Q8, FP16)

Una volta recuperati i pesi, la quantizzazione determina quanta memoria occupano sulla tua scheda.

Eseguire un LLM in locale senza GPU (solo CPU)

Se non hai una scheda grafica dedicata, ecco come utilizzare comunque modelli open-weights su CPU.