图1：项目维护者 Eugene Yan 的 GitHub 头像

开源 LLM 商业授权全景图：一份改变企业选型方式的参考资料

场景切入：选模型时的合规困境

想象你是一家初创公司的 CTO，老板说：「我们要做 AI 产品，但 OpenAI 的 token 价格太高了，能不能找个开源模型自己部署？」你打开 GitHub 一搜，出来的名字比电影明星还多：Llama、Mistral、ChatGLM、Qwen、BLOOM……每个都号称 SOTA，但当团队真正开始评估时，问题来了：这些模型能商用吗？要付授权费吗？有哪些限制条款？

你去翻各个模型的 LICENSE 文档——有的说 Apache 2.0，随便用；有的说需要申请；有的写着一大堆你看不太懂的法律术语。最后光是搞清楚「哪些能免费商用」，团队就花了一周时间。

eugeneyan/open-llms 解决的就是这个问题——它把 60+ 个开源大语言模型的商业授权信息整理成一张结构化清单，让选型工程师用 5 分钟就能搞清楚所有关键问题。

背景故事：一个人的信息整理，变成了行业共识

这个仓库由新加坡机器学习工程师 Eugene Yan 创建并维护。Eugene 在 AWS 从事推荐系统和 LLM 相关工作多年，是机器学习领域的高产技术作者，他的技术博客在业内广泛传播。2023年5月，他将自己在工作中整理的「可商用开源 LLM 清单」公开发布到 GitHub。

项目上线后迅速获得关注——截至分析时已累计 12,775 颗 stars 和 969 个 forks，成为该领域最受欢迎的信息聚合类仓库之一。项目持续活跃维护，截至 2025年2月仍有 push 记录，跟踪收录了 Llama 3、Mistral 系列、Qwen 系列、Phi-3 等最新模型。

类比解释：开源 LLM 的「驾照手册」

如果说开源 LLM 是公路上各种各样的汽车，那么许可证（License）就是每辆车的「驾照」。Apache 2.0 像 C 照，随便开、不收费；Llama 2 Community License 像运营驾照，允许商业运营但有地区或用途限制；某些自定义 License 则像特种驾照，要求申请、审批、付费。

这份清单就像一本「开源 LLM 商业驾照手册」，把所有车型的驾照信息集中到一张表里。你不用去翻每个模型的 LICENSE 文件，只需要看这一张表，商用可行性一目了然——这是真正的信息聚合价值。

核心功能：60+ 模型的结构化信息矩阵

项目收录了从 2019 年的 T5 到 2024 年的 Gemma，共 60+ 个可商用的开源大语言模型，覆盖全主流开源模型家族：

每个条目都包含：模型名称、发布日期、官方链接、参数规模、上下文长度、许可证类型、可体验地址。这种结构化设计让跨维度对比成为可能——你想找「支持 32K 上下文 + 可免费商用」的条件组合？看这一张表就够了。

代表收录模型包括：T5、RWKV 4 系列、BLOOM (176B)、ChatGLM、Llama 2、Mistral、Mixtral、Phi-2/3、Qwen 系列、DeepSeek 系列、Gemma 等，基本覆盖了 2019-2024 年间所有主流开源 LLM。

上手门槛：零门槛，浏览器即用

这是零门槛项目。 这是一个纯 Markdown 文档仓库，不需要安装任何软件，不需要配置环境，不需要运行代码。你只需要打开 GitHub 页面（https://github.com/eugeneyan/open-llms），在线浏览或 Fork 下来作为内部参考资料即可。

对于 AI 开发者：这个项目是技术选型阶段的高效参考工具，适合团队在做 POC 时快速缩小候选范围。

对于 AI 爱好者：这份清单也是了解开源 LLM 生态演进史的好材料——从 T5 到 Mistral，每一代模型的参数量、上下文长度、许可证都清晰可查。

局限与注意事项

1. 仅提供信息，不提供模型本身：项目只收录链接指向 HuggingFace 等平台下载模型权重，不托管任何模型文件。

2. 许可证信息可能存在时效性：开源许可证可能随模型版本更新而变化，建议在正式商用前直接查阅原始 LICENSE 文件确认最新条款。

3. 不评判模型质量：清单只告诉你「能不能商用」，不评判「哪个更好」。模型性能对比需要参考 LM-evaluation-harness 等 benchmark 项目。

4. 纯 Markdown 缺乏交互：随着收录模型增多（目前已 60+），纯表格的浏览效率会下降，没有搜索和过滤的交互功能。

行业意义：开源 AI 商业化的基础设施

开源 LLM 在 2023-2024 年迎来爆发，但商业化落地面临一个实际障碍：许可证合规是企业部署前的必修课。开发团队往往要翻遍各个模型的 GitHub 才能确认商用可行性，这种重复劳动既低效又容易出错。

eugeneyan/open-llms 的意义在于：用信息聚合的方式，把许可证合规这个「前置工作」做到了极致。它让技术选型从「大海捞针」变成了「按图索骥」，为开源 AI 生态的商业化落地扫清了信息障碍。

这个项目也反映了一个趋势：随着开源模型越来越多，围绕模型的「元信息」——许可证、评测结果、集成方式——正在成为独立的价值锚点。

数据来源：GitHub（截至 2025年2月），收录模型 60+，stars 12,775