The Model Openness Framework: Promoting Completeness and Openness for Reproducibility, Transparency, and Usability in Artificial Intelligence

生成式人工智能（GAI）为研究和创新提供了前所未有的机会，但其商业化引发了人们对透明度、可重复性和安全性的担忧。许多开放的GAI模型缺乏完全理解和可重复性所必需的组件，有些则使用限制性许可证，同时声称是“开源”的。为了解决这些问题，我们提出了模型开放性框架（MOF），这是一个排名分类系统，根据开放科学、开源、开放数据和开放获取的原则对机器学习模型进行评级。MOF要求在适当的开放许可证下包括模型开发生命周期的特定组件。这个框架旨在防止声称是开放的模型被误导，引导研究人员和开发人员在宽松的许可证下提供所有模型组件，并帮助个人和组织识别可以安全采用而没有限制的模型。通过促进透明度和可重复性，MOF打击“开源洗白”的做法，并将完整性和开放性作为负责任的人工智能核心原则的主要标准之一。广泛采用MOF将促进更加开放的人工智能生态系统，有利于研究、创新和采用最先进的模型。

提出了模型开放性框架（MOF），旨在解决开放性人工智能模型的透明度、可重复性和安全性问题。MOF评估机器学习模型的完整性和开放性，并要求特定组件在适当的开放许可下发布。

MOF是一个排名分类系统，基于开放科学、开源、开放数据和开放获取的原则，对机器学习模型进行评估。MOF的广泛采用将促进更加开放的人工智能生态系统，从而有利于研究、创新和采用最先进的模型。

论文提出的MOF框架可以防止模型虚假宣传，指导研究人员和开发人员在宽松的许可下提供所有模型组件，并帮助个人和组织识别可以安全采用的模型。实验设计合理，MOF框架可以应用于各种机器学习模型。论文还提出了一些开放性模型的案例研究，以说明MOF的实际应用。

最近的相关研究主要集中在开放性人工智能模型的透明性和可重复性方面。例如，有研究提出了开放性人工智能模型的可解释性框架。还有研究提出了一些开放性数据集和基准测试，以促进模型的透明性和可重复性。