比較表同一件事，這幾個工具差在哪。工具名稱點下去，跳到下面的完整介紹。
該不該自己訓練？先看你在哪一條路上
這四條路的成本差好幾個數量級。多數人以為自己需要第四條，實際上第二條就解決了。
| 直接用現成模型 | RAG | 微調（Fine-tune） | 從頭訓練 | |
|---|---|---|---|---|
| 在做什麼 | 把提示詞寫好 | 先找你的資料，再請 AI 依據它回答 | 改模型本身，讓它學會你的格式或語氣 | 自己造一個模型 |
| 適合誰 | 大多數人 | 想讓 AI 回答公司文件的人 | 有固定輸出格式、且提示詞怎麼調都不夠的情況 | 幾乎沒有人 |
| 要準備什麼 | 什麼都不用 | 整理乾淨的文件 | ⚠標註好的訓練資料（要人一筆筆標） | 海量資料＋大量算力 |
| 資料變了怎麼辦 | 不影響 | 換文件就好 | ⚠要重新訓練 | 重來 |
| 典型工具 | Claude、Gemini、Copilot | LlamaIndex、向量資料庫 | Unsloth、Label Studio | — |
怎麼選順序不要跳：先把提示詞寫好，不夠再上 RAG，還是不夠才考慮微調。本站作者做的每一支 App，全部用現成模型加應用層設計，沒有訓練過任何模型——這不代表微調沒有價值，而是說先確認前兩條路真的走不通，再花那個錢。
開源 LLM 不等於可以隨便用——三家的授權差很多
「開源模型」是最容易誤會的詞。只有其中一部分是真正的開源授權，其他是各家自訂的條款，商用前務必看清楚。
| Llama（Meta） | Qwen（阿里） | Gemma（Google） | |
|---|---|---|---|
| 授權性質 | ⚠Llama Community License，自訂條款 | Apache-2.0，標準開源授權 | ⚠Gemma 自訂使用條款，非 OSI 開源（Gemma 4 另採 Apache-2.0） |
| 商用門檻 | ⚠月活躍使用者超過 7 億要另外向 Meta 申請授權 | 無額外門檻 | 須遵守 Gemma 禁用政策 |
| 標示義務 | ⚠必須顯著標示「Built with Llama」 | 依 Apache-2.0 保留聲明即可 | ⚠散布時要附完整條款、修改過的檔案要標註 |
| 衍生模型命名 | ⚠名稱必須以「Llama」開頭 | 無限制 | 無此規定 |
| 下游傳遞 | 要傳遞授權條款 | 標準開源做法 | ⚠下游協議要包含使用限制 |
怎麼選純粹想避免授權麻煩，Qwen 的 Apache-2.0 最單純。要用 Llama 沒問題，但「Built with Llama」跟模型命名這兩條是硬要求，產品上線前要做到。Gemma 則要先讀過禁用政策，而且 Google 保留遠端限制使用的權利。
最常見的誤解：程式碼授權 ≠ 模型權重授權
「這個專案是 MIT／Apache 啊」——但你真正要用的是模型權重，而權重常常是另一套條款，甚至禁止商用。
| 程式碼授權 | 權重授權 | 商用能不能直接用 | |
|---|---|---|---|
| F5-TTS | MIT | ⚠CC-BY-NC（非商用） | ❌ 權重不能商用 |
| timm | Apache-2.0 | ⚠多來自 ImageNet，官方註明供非商業研究 | ❌ 要逐一確認個別權重 |
| Surya | Apache-2.0 | ⚠改寫版 AI Pubs Open Rail-M，營收／募資 500 萬美元以下才免費 | △ 看公司規模 |
| CogVideoX | Apache-2.0 | 2B 版 Apache-2.0；⚠5B 版走專屬授權 | △ 看你用哪個版本 |
| FLUX | （權重為主） | ⚠schnell 是 Apache-2.0；dev 系列非商用 | △ 只有 schnell 可直接商用 |
| Wan 2.2 | Apache-2.0 | Apache-2.0 | ✅ 可以 |
怎麼選看到「開源模型」時，養成問兩次的習慣：程式碼什麼授權？權重什麼授權？ 這兩個不一樣是常態不是例外。真的要商用又不想花時間讀條款，優先挑兩邊都是 Apache-2.0 的。
工具怎麼串一個工具做不完，要前一個交給下一個。
自己訓練一個模型：收資料 → 標註 → 選基礎模型 → 訓練 → 驗收 → 上線 → 重訓
依據：本頁工具卡與比較表。稜線的作品全部用現成模型、沒有訓練過模型，這條接力沒有自家實戰，是依官方資料整理的。
資料來源能不能拿來訓練、有沒有個資，是兩道各自獨立的關卡。去識別化用 Presidio，官方明說不保證找出全部。
交出去：可以拿來訓練的原始資料沒有評測集就只有「感覺變好了」。知識庫類用 Ragas，但用 AI 當裁判也會錯，要抽樣人工複核。
交出去：一份驗收結果容易斷在：重訓被當成一次性專案、沒編進預算，第二年就停在原地；合約沒寫模型權重與訓練資料歸誰，換廠商時一張權重都帶不走。
真實案例只放本站逐條查證過來源的案例；「殷鑑」是做壞的例子。
鴻海用 120 張 H100 花四週訓出 FoxBrain——然後開源出來
真正該偷學的不是「自己訓模型」，是它前面那個判斷：先確認現成模型真的不夠用。多數團隊卡住的地方不在模型能力，在資料與流程沒整理好。
看完整案例 →已查證沃爾瑪自建零售專用模型 Wallaby，技術長的結論：代理只做夠具體的任務
值得學的是沃爾瑪技術長自己的結論：代理要用在夠具體的任務，再把產出串起來。小團隊也可以照做：不要把「幫我管好庫存」這種大目標丟給 AI，先切成「每天比對進貨單與實收數量」這種小任務，一件一件做穩再串。
看完整案例 →殷鑑・已查證Amazon 的 AI 履歷篩選工具學會了歧視「women's」這個字
訓練資料裡的歷史偏見不會因為換成機器學習就消失，反而會被系統化、規模化地重複執行，而且比人為偏見更難被單一案例發現。
看完整案例 →全部 9 個工具每張都是完整介紹：適合誰、費用、能不能商用、資料去哪裡、能接什麼、限制、稜線用在哪。
Qwen（通義千問）
模型技術需要工程支援阿里巴巴的開源大型語言模型系列，權重採 Apache-2.0，是商用授權最單純的選擇之一。
適合
- 要自架 LLM 又不想處理授權限制
- 中文任務
- 從 0.6B 到 235B 依硬體挑尺寸
不適合
- 沒有 GPU 或推論預算的團隊
- 需要最前沿推理能力的場合（仍以閉源旗艦為主）
- 費用
- 權重免費，成本在硬體與維運。
- 能不能商用
- 可商用
官方說明所有開放權重模型採 Apache 2.0 授權，是三大開源 LLM 家族裡條件最單純的。 - 資料去哪裡
- 自行部署，輸入不離開你的環境。
- 授權
- Apache-2.0
- 跑在哪裡
- 自己架、裝在公司內部
- 能接什麼
- API：尚未查證MCP：尚未查證Webhook：尚未查證
- 限制
- 要有 GPU 與會維運的人
- 小尺寸模型能力明顯不如旗艦閉源模型
- 中文以外語言的表現要自己實測
Llama（Meta）
模型技術需要工程支援Meta 的開放權重模型系列，生態最大，但授權是自訂條款不是標準開源，有三條硬性商用義務。
適合
- 需要成熟生態與大量現成工具鏈
- 研究與內部應用
- 願意遵守標示與命名義務的產品
不適合
- ⚠月活躍使用者超過 7 億又沒申請授權的公司
- 不想在產品上標示「Built with Llama」的場合
- 衍生模型不想被要求以 Llama 命名的情況
- 費用
- 權重免費取得，成本在硬體與維運。
- 能不能商用
- ⚠可商用但有三條硬性義務
Llama 社群授權的三條關鍵條款：(1) 版本發布日當月，若你的產品月活躍使用者超過 7 億，必須另外向 Meta 申請授權；(2) 散布時必須顯著標示「Built with Llama」；(3) 用它訓練或微調出來的模型，名稱必須以「Llama」開頭。 - 資料去哪裡
- 自行部署，輸入不離開你的環境。
- 授權
- Llama Community License（自訂）
- 跑在哪裡
- 自己架、裝在公司內部
- 能接什麼
- API：尚未查證MCP：尚未查證Webhook：尚未查證
- 限制
- ⚠三條商用義務常被忽略，產品上線前要逐條確認
- 要有 GPU 與維運人力
- 授權條款各版本略有差異，要看你用的那一版
Gemma（Google）
模型技術需要工程支援Google 的開放權重模型系列，輕量、可在較小硬體上跑，但採自訂使用條款而非 OSI 開源授權。
適合
- 資源有限的環境（模型尺寸小）
- 已在 Google 生態系的團隊
- 研究與原型
不適合
- ⚠不想受禁用政策與下游傳遞義務約束的產品
- 需要標準開源授權以簡化法遵的場合
- 費用
- 權重免費取得。
- 能不能商用
- ⚠自訂條款，非 OSI 開源
官方條款：使用受「Gemma 禁用政策」約束；散布時要在下游協議中包含使用限制、提供完整條款副本、修改過的檔案要標註；Google 對產出物不主張權利，但保留在合理認為違反協議時遠端限制使用的權利。（Gemma 4 另採 Apache-2.0，要看你用的是哪一代。） - 資料去哪裡
- 自行部署，輸入不離開你的環境。
- 授權
- Gemma Terms of Use（Gemma 4 為 Apache-2.0）
- 跑在哪裡
- 自己架、裝在公司內部、邊緣裝置（產線、攝影機旁）
- 能接什麼
- API：尚未查證MCP：尚未查證Webhook：尚未查證
- 限制
- ⚠不是標準開源授權，法遵流程要另外處理
- ⚠Google 保留遠端限制使用的權利
- 各世代授權不同，要確認你用的版本
Label Studio
專業工具需要 API／自動化開源的資料標註平台，支援影像、文字、音訊、影片與時序資料——訓練模型前最花人力的那一段。
適合
- 要自己訓練模型前的資料標註
- 多人協作標註與品質控管
- 多種資料型態混合的專案
不適合
- 不打算訓練模型的團隊
- 只有幾十筆資料的小專案（用試算表就好）
- 費用
- 開源版免費自架；官方另有雲端與企業版本。
- 能不能商用
- 可商用（開源版 Apache-2.0）
官方 repo 說明開源版採 Apache 2.0 授權；另有雲端與企業版本，功能界線要看官方比較頁。 - 資料去哪裡
- 自行部署時資料不離開你的環境。
- 授權
- Apache-2.0（企業版另計）
- 跑在哪裡
- 自己架、裝在公司內部、雲端服務
- 能接什麼
- API：尚未查證MCP：尚未查證Webhook：尚未查證
- 限制
- ⚠標註是專案裡最貴的一段，工具只解決介面問題，人力成本還是要算
- 多人標註的一致性要另外設計檢核機制
- 自架要有人維運
Unsloth
專業工具需要工程支援讓微調 LLM 更省資源的工具，官方宣稱訓練快 2 倍、VRAM 少 70%，可在單張消費級顯卡上跑。
適合
- 確定 RAG 不夠、真的需要微調的場合
- 硬體有限但想試微調的團隊
- LoRA／QLoRA 等輕量微調
不適合
- 還沒試過提示詞與 RAG 就想微調的專案
- 沒有標註資料的情況
- 沒有 GPU 的環境
- 費用
- 核心套件免費。
- 能不能商用
- ⚠雙授權要注意
官方說明：核心套件採 Apache-2.0，但部分選用元件（例如 Unsloth Studio UI）採 AGPL-3.0。只用核心套件沒問題；要用到 AGPL 元件並包進對外產品前，要讓法務看過。 - 資料去哪裡
- 在你自己的機器上訓練，資料不上傳。
- 授權
- Apache-2.0（部分元件 AGPL-3.0）
- 跑在哪裡
- 自己架、裝在公司內部
- 能接什麼
- API：尚未查證MCP：尚未查證Webhook：尚未查證
- 限制
- ⚠核心與選用元件授權不同
- 微調品質取決於標註資料，工具只降低算力門檻
- 微調完的模型要自己維護與重訓
timm（PyTorch Image Models）
模型技術需要工程支援影像模型的標準函式庫，收錄 ResNet、ViT、EfficientNet、ConvNeXt、Swin 等上百個架構與預訓練權重。
適合
- 影像分類與特徵抽取
- 遷移學習（拿預訓練模型微調自己的資料）
- 比較不同架構表現的評估階段
不適合
- ⚠直接把預訓練權重用在商業產品卻沒確認權重授權
- 不寫程式的團隊
- 費用
- 開源免費。
- 能不能商用
- ⚠程式可商用，但權重要個別確認
官方說明程式碼採 Apache-2.0，但預訓練權重主要來自 ImageNet，官方註明供非商業研究使用，部分模型另含專屬預訓練。商用前要逐一確認你要用的那個權重。這是「程式授權 ≠ 模型授權」最典型的例子。 - 資料去哪裡
- 本機執行，影像不外傳。
- 授權
- Apache-2.0（程式）／權重依個別模型
- 跑在哪裡
- 自己架、裝在公司內部
- 能接什麼
- API：尚未查證MCP：尚未查證Webhook：尚未查證
- 限制
- ⚠權重授權與程式授權不同，商用要逐一確認
- 需要 GPU 與 ML 工程能力
- 架構太多，選型本身需要經驗
Ragas
專業工具需要工程支援評估 RAG 與 LLM 應用品質的工具：用客觀指標和自動產生的測試題，取代「感覺還不錯」。
適合
- 做完知識庫要驗收成效的場合
- 調整前後想比較有沒有變好
- 要對主管證明系統可用的專案
不適合
- 還沒有系統可評估的階段
- 不寫程式的使用者
- 費用
- 開源免費；但跑評估通常會呼叫 LLM，那筆 API 費用要另計。
- 能不能商用
- 可商用
Apache-2.0 授權。 - 資料去哪裡
- 評估過程可能把你的資料送給當裁判的 LLM，敏感內容要先確認那一家的政策。
- 授權
- Apache-2.0
- 跑在哪裡
- 自己架
- 能接什麼
- API：有MCP：尚未查證Webhook：尚未查證
- 限制
- ⚠用 LLM 當裁判本身也會出錯，指標要抽樣人工複核
- 評估會消耗 API 額度
- 指標好看不等於使用者真的滿意
Presidio（Microsoft）
專業工具需要工程支援開源的個資偵測與去識別化工具：在文字、圖片與結構化資料裡找出姓名、電話、卡號等敏感資訊並遮蔽。
適合
- 把資料送進雲端 AI 之前先去識別化
- 文件公開或研究用途前的個資清理
- 醫療影像（DICOM）的遮蔽
不適合
- ⚠當成唯一的個資防線（官方明說不保證找出全部）
- 沒有工程人力的團隊
- 費用
- 開源免費。
- 能不能商用
- 可商用
MIT 授權。 - 資料去哪裡
- 本機執行，敏感資料不外傳——這正是它存在的理由。
- 授權
- MIT
- 跑在哪裡
- 自己架、裝在公司內部
- 能接什麼
- API：尚未查證MCP：尚未查證Webhook：尚未查證
- 限制
- ⚠官方明說採自動化機制、不保證找出所有敏感資訊，仍需其他防護配合
- 中文個資樣式要自己補規則
- 誤刪（把不是個資的東西遮掉）也要人工檢查
Langfuse
專業工具需要工程支援LLM 應用的觀測平台：把每一次呼叫的輸入輸出、成本、延遲記錄下來，並支援提示詞版本管理與評估。
適合
- AI 功能上線後要知道實際發生什麼
- 追蹤成本與延遲
- 提示詞要版本控管的團隊
不適合
- 還在原型階段的專案
- 沒有工程人力的團隊
- 費用
- 自架免費；官方另有雲端與企業方案。
- 能不能商用
- 核心可商用（MIT）
官方說明核心採 MIT 授權，但 `ee` 資料夾內的企業版功能適用不同條款。只用核心功能沒問題，要用到企業功能前要確認。 - 資料去哪裡
- 自架時追蹤紀錄留在你的環境；但紀錄裡會含使用者輸入，等於多一份敏感資料要保護。
- 授權
- MIT（ee 目錄另計）
- 跑在哪裡
- 自己架、裝在公司內部、雲端服務
- 能接什麼
- API：尚未查證MCP：尚未查證Webhook：尚未查證
- 限制
- ⚠追蹤紀錄會存下使用者的輸入內容，本身就是要保護的資料
- 核心與企業版授權不同
- 自架要有人維運
卡片上的查證日期是我們最後一次讀官方頁面的時間；條款會改，正式使用前請再看一次官方頁。