La smentita è arrivata in modo diretto. Il responsabile di Qwen, Liu Dayi Heng, ha dichiarato che le prossime serie Qwen 4.0 e Qwen 5.0 continueranno a essere open source, contraddicendo le voci circolate negli ultimi giorni secondo cui Qwen 4 sarebbe stata l'ultima linea open-weight e i modelli futuri sarebbero stati disponibili soltanto tramite API. Per chi osserva il mercato dei modelli aperti, non è una nota a margine: è una presa di posizione su un asset strategico.

I numeri aiutano a capire la portata. La serie Qwen ha superato 3 miliardi di download cumulativi globali, con oltre 460 modelli open source rilasciati e più di 300.000 modelli derivati, una posizione di vertice a livello mondiale. Questa scala trasforma i modelli Qwen in una base per un ecosistema di riuso e adattamento. Un eventuale passaggio alle sole API non chiuderebbe soltanto l'accesso a nuovi checkpoint, ma spezzerebbe una catena di lavoro già avviata da centinaia di migliaia di progetti derivati.

La motivazione dichiarata merita attenzione. Liu Dayi Heng sostiene che il valore dell'AI non dovrebbe appartenere a pochi, ma diventare una capacità fondativa che utenti in tutto il mondo possono usare e su cui possono creare. Dietro la formula c'è una logica industriale precisa: i modelli open-weight alimentano un ciclo di adozione, fine-tuning e distribuzione locale che un vendor chiuso non può generare con la stessa velocità. L'apertura non è filantropia, è una leva per allargare la base installata e orientare lo sviluppo dell'intera categoria.

Per chi progetta deployment self-hosted, la dichiarazione riduce un rischio di continuità. Poter scaricare i pesi di un modello consente di valutare l'inference su hardware proprio, mantenere i dati dentro i confini aziendali e applicare quantization per ridurre l'occupazione di VRAM. Restano i vincoli noti: servono macchine adeguate, pipeline di serving e un monitoraggio dei costi complessivi. Ma la disponibilità dei pesi è il prerequisito per poter anche solo impostare un'analisi TCO tra cloud e on-premise. È qui che le promesse di apertura hanno effetti concreti: cambiano il perimetro di ciò che un team può pianificare senza dipendere da un endpoint esterno. Per chi valuta deployment on-premise, AI-RADAR offre framework analitici su /llm-onpremise per soppesare questi trade-off.

Ci sono vincitori e vinti strutturali. Le organizzazioni con requisiti di sovranità dei dati o con carichi di lavoro ripetitivi possono costruire piani a medio termine su modelli aperti, senza il rischio di dover rinegoziare l'accesso a ogni major release. I fornitori di infrastruttura e i system integrator guadagnano spazio, perché l'adozione locale richiede competenze di ottimizzazione e gestione. Chi spinge offerte solo API, invece, deve convivere con un'alternativa che mantiene bassa la barriera di uscita. Per AI-RADAR, questo è il punto di osservazione più interessante: l'apertura dei pesi non è soltanto una questione di licenza, ma un fattore che modifica gli incentivi dell'intero stack, dal chip alla piattaforma di serving.

Resta un punto da monitorare: l'impegno a mantenere i modelli open source andrà verificato versione per versione, perché la disponibilità dei pesi non coincide automaticamente con un regime di licenza uniforme. Con 3 miliardi di download e oltre 300.000 modelli derivati, ogni cambio di direzione produrrebbe effetti che non si limiterebbero a Qwen, ma attraverserebbero un ecosistema ormai più ampio del singolo vendor.