# Meta оголосила «відкриту» версію свого найпотужнішого ШІ > Meta 10 серпня 2026 року назвала «open source» свою найпотужнішу модель ШІ, хоча ліцензія традиційно обмежує конкурентів і використання даних користувачів. - Опубліковано: 10 серпня 2026 р. (2026-08-10T11:23:09.303823+00:00) - Розділ: AI-інструменти - На основі публікації: [NYT](https://www.nytimes.com/2026/08/10/technology/meta-ai-open-source.html) - Видання: AiiN (https://aiin.news) - URL: https://aiin.news/article?slug=meta-%D0%BE%D0%B3%D0%BE%D0%BB%D0%BE%D1%81%D0%B8%D0%BB%D0%B0-%D0%B2%D1%96%D0%B4%D0%BA%D1%80%D0%B8%D1%82%D1%83-%D0%B2%D0%B5%D1%80%D1%81%D1%96%D1%8E-%D1%81%D0%B2%D0%BE%D0%B3%D0%BE-%D0%BD%D0%B0%D0%B9%D0%BF%D0%BE%D1%82%D1%83%D0%B6%D0%BD%D1%96%D1%88%D0%BE%D0%B3%D0%BE-%D1%88%D1%96 --- Meta 10 серпня 2026 року представила «відкриту» версію своєї найпотужнішої моделі штучного інтелекту — і одразу наштовхнулася на стару претензію індустрії: чи можна взагалі називати відкритим код, ліцензія якого історично забороняє окремим компаніям використовувати модель без спеціального дозволу. [За даними NYT](https://www.nytimes.com/2026/08/10/technology/meta-ai-open-source.html), реліз подають як продовження курсу на «демократизацію ШІ», який Meta веде ще з 2023 року, коли вперше опублікувала ваги Llama. Для індустрії це радше сигнал про темп конкуренції, ніж жест доброї волі: OpenAI, Google DeepMind і Anthropic тримають ваги флагманських моделей повністю закритими, а DeepSeek і Mistral вже показали, що відкриті релізи здатні наздоганяти закриті моделі за якістю відповідей. Для AI-білдерів головне питання не в тому, наскільки модель потужна, а в тому, що саме дозволяє робити з нею ліцензія. Саме тут ховається різниця між маркетинговим «open source» і реальною свободою використання. Тому в цьому матеріалі ми розбираємо не характеристики моделі, а те, наскільки «відкритість» Meta відповідає інтересам звичайного розробника, а не тільки самої компанії. ## Що саме Meta випустила під тегом open source? За звичною для лінійки Llama практикою, реліз, найімовірніше, включає ваги моделі та інструменти для інференсу, а не повний код тренування чи навчальні дані — і саме це є головним пунктом суперечки навколо терміна «open source» у застосуванні до продуктів Meta. - Ваги моделі у відкритому доступі для завантаження та локального розгортання. - Ліцензійна угода (Llama Community License або її наступник), яка регулює комерційне використання. - Шар безпеки на кшталт Llama Guard, що фільтрує небажані запити та відповіді. - Відсутність повного розкриття джерел навчальних даних — типова риса всіх релізів Meta з 2023 року. ## Чи це справді open source за визначенням OSI? Формально — ні. Жоден реліз лінійки Llama досі не відповідав визначенню Open Source Initiative (OSI), яке вимагає повної відтворюваності моделі: доступу і до ваг, і до коду тренування, і до даних. Llama Community License традиційно забороняє компаніям із понад 700 мільйонами активних користувачів на місяць використовувати модель без окремої угоди з Meta — під цей поріг напряму підпадають Google, Microsoft, Amazon, ByteDance та Apple. Це не відкритість у класичному розумінні, а вибіркова відкритість, спрямована проти конкретних конкурентів. ## Кому це вигідно, а хто може програти? Найбільше виграють невеликі команди та стартапи: можливість завантажити модель, розгорнути її на власному залізі й дообучити під вузьку задачу коштує на порядок дешевше за постійні виклики платного API. Наприклад, команда, що будує продукт для медичних чи фінансових даних, отримує можливість тримати весь інференс у власному контурі, не передаючи запити зовнішньому API. Для команд, що працюють під **EU AI Act**, моделі з відкритими вагами також підпадають під легший комплаєнс-режим для general-purpose AI, ніж повністю закриті системи. Програють у цьому раунді постачальники хмарної інфраструктури, що заробляють на монопольному доступі до топових закритих моделей, а також самі розробники безпеки: чим ширше розповсюджені ваги потужної моделі, тим складніше контролювати, хто і як прибирає вбудовані запобіжники після завантаження. Питання походження навчальних даних і потенційних претензій щодо авторських прав теж нікуди не зникає — воно просто переходить із Meta на кожного, хто розгортає модель у власному продукті. ## Висновок AiiN: що це насправді змінює на ринку ШІ? Наша теза: «open source» у виконанні Meta давно перестав бути ідеологічним жестом і став тактичним ходом у боротьбі за розробників — спосіб зробити свою модель інфраструктурним стандартом раніше, ніж це зробить хтось інший, у тому числі [на тлі пошуку альтернатив класичному масштабуванню LLM](https://aiin.news/article?slug=чому-ai-стартапи-шукають-заміну-класичному-масштабуванню-llm), про який ми вже писали. Для AI-білдера це означає одне: цінність релізу вимірюється не гучністю заголовка, а конкретним текстом ліцензійної угоди — хто, за яких умов і з яким лімітом користувачів може її застосовувати. Читайте ліцензію раніше, ніж бенчмарки. ## Чи можна використовувати модель Meta безкоштовно в комерційному продукті? У більшості випадків так, якщо компанія не перевищує встановлений Meta поріг активних користувачів і погоджується з політикою прийнятного використання. Стартапам і середнім командам це зазвичай не заважає, а от великим платформам-конкурентам Meta — так. ## Чим відкриті ваги відрізняються від справжнього open source коду? Відкриті ваги дозволяють завантажити й запустити готову модель, але не відтворити її з нуля: код тренування і датасети зазвичай лишаються закритими. Справжній open source за визначенням OSI вимагає повної прозорості всього циклу — від даних до фінальних ваг. ## Чи варто обирати відкриту модель Meta замість закритого API OpenAI чи Anthropic? Це залежить від пріоритету: закриті API на кшталт GPT або Claude зазвичай дають вищу якість «з коробки» та менше клопоту з інфраструктурою, тоді як відкрита модель Meta вигідна там, де важливіші контроль над даними, передбачуваність витрат на великих обсягах запитів і можливість тонкого дообучення під вузьку задачу. --- Теги: Meta, AI, OpenSource, LLM, Llama, ШІ Джерело: AiiN — https://aiin.news/article?slug=meta-%D0%BE%D0%B3%D0%BE%D0%BB%D0%BE%D1%81%D0%B8%D0%BB%D0%B0-%D0%B2%D1%96%D0%B4%D0%BA%D1%80%D0%B8%D1%82%D1%83-%D0%B2%D0%B5%D1%80%D1%81%D1%96%D1%8E-%D1%81%D0%B2%D0%BE%D0%B3%D0%BE-%D0%BD%D0%B0%D0%B9%D0%BF%D0%BE%D1%82%D1%83%D0%B6%D0%BD%D1%96%D1%88%D0%BE%D0%B3%D0%BE-%D1%88%D1%96. Цитуючи, посилайтесь на канонічний URL.