选模型时绕不开的一组对比：开源权重自己部署，闭源直接调接口。这场讨论常被讲成信仰之争，但落到具体项目里，它其实是三道选择题：数据要不要出门、长期成本谁更低、出问题时你有没有动手的地方。把这三问想清楚，选择往往自动浮出来。
两者真正的差别在「可控性」，不在「免费」
先纠正一个常见误会：开源模型不等于免费。权重可以免费下载，但跑起来要买卡、付电费、养运维，任务量大了这笔账未必比按量付费便宜。开源真正换来的，是把整套系统握在自己手里：数据不出内网、微调随你改、依赖版本自己锁定。
闭源模型的优点则集中在「省心」二字：不用配环境、不用扛并发，能力上限通常也更高——前沿能力几乎总是先出现在闭源侧。代价是把命脉交给别人：接口可能调整、价格可能变化，敏感数据要经过第三方。
开源换可控，闭源换省心——先想清楚你最缺的是哪一个，再谈性价比。
三类典型场景的取向
第一类，数据敏感型。医疗、法务、内部经营数据的处理，合规或保密要求往往一票否决，本地部署开源模型几乎是唯一解，哪怕效果略差。第二类，体验优先型。直接面向用户的对话、创作类产品，回答质量就是产品力，闭源旗舰模型的差距肉眼可见，多数时候值得这份溢价。第三类，大批量结构化任务。分类、抽取、打标签这类活儿，一个微调过的中小开源模型跑在自有机器上，边际成本趋近于电费。
更常见的情况是混合：核心敏感链路用自部署小模型，复杂任务兜底到闭源大模型。很多所谓「架构选型」，最后就落在这条路线上。
别忘了中间态：聚合接口与托管开源
自己部署有门槛，直接订阅闭源又怕锁死？中间态比想象中多。托管推理平台替你把开源模型跑好，你只付 token 费；聚合类接口则把开源闭源放在同一把尺子下，按需切换。用 https://api.aigcbreeze.cn 这类统一接口，一套 key 既调闭源旗舰也调开源模型，切换成本接近于零——先把两条路都试一遍，再决定要不要自己扛机器。
评估时别只看榜单分数。同样的任务，拿自己的真实数据各跑二十条，对比正确率、速度和单次成本，比任何跑分都接近真相。
常见问题
开源模型部署一台什么配置的机器够用？
七十亿参数级别的模型，一块 16GB 显存的消费级显卡就能跑到不错的速度；三百亿参数以上则建议 24GB 起步或直接上量化版本。内存和磁盘按模型体积的 1.5~2 倍预留，剩下的瓶颈通常是并发数而不是单次速度。
闭源模型会不会哪天突然停服或涨价？
会有这种风险，成熟供应商一般会提前公告并保留旧版本一段时间。工程上的对策是把接口调用抽象成一层薄封装，切换供应商只改这一层；同时避免把独家特性用满，留好平替路线。
混合架构会不会让维护成本翻倍？
不会翻倍，但确实多一层抽象。常见的折衷是：线上主链路只用一种模型保证稳定，实验性任务走另一个模型观察效果，验证后再决定是否替换主链路。别一开始就为所有任务建两条管道。