開放權重誘發能力的不可逆性

資料來源#

• Gemma 4 Technical Report
• Inkling: Our Open-Weights Model
• Kimi K3 Model Card
• More compute, more capability: Why AI agent evaluations need to account for test-time compute
• OpenAI and Hugging Face partner to address security incident during model evaluation
• Really Big Test-Time Compute in AI Changes Benchmarks, Safety and Research with OpenAI's Noam Brown
• Security incident disclosure — July 2026
• UK AISI / CAISI Preliminary Assessment of Kimi K3's Cyber Capabilities

狀態：wiki 綜合整理，並非來源主張。 沒有任何來源提出這個論點。Brown 討論前沿實驗室準備框架中的預算問題，沒有提到開放權重；UK AISI 以實證方式衡量預算→能力曲線，同樣沒有提到開放權重；Gemma 4 釋出開放權重，也沒有談到誘發預算。本頁說明同時接受這三項前提後會得出什麼結論，並標示推論超出證據之處。

論證#

三項前提，各有來源。

1. 危險能力會隨推論預算擴展。 Brown（practitioner-opinion）：如果模型「在你投入更多資源時，仍持續改善某項任務，沒有趨於飽和」，那它也可能持續改善「社會不希望它做的事」。準備框架與 RSP 建立於 ChatGPT 時代；當時 GPT-3 級模型「就算給它 $10 million，也做不了比 $10 更多的事」，因此沒有一套框架明確指出評估危險能力時採用的預算。參見負責任擴展政策評估。此一前提的能力面如今也有獨立的 empirical 依據：UK AISI 在網路安全、軟體工程與數學基準中測得能力隨 token 預算增加（約 8% 的網路安全任務只有在 ≥10M tokens 時才會顯現），並警告固定預算的分數會「掩蓋風險的真實規模」——因此前提 1 不再只是 OpenAI 研究人員的論點，儘管 AISI 和 Brown 一樣，沒有延伸討論開放權重的情況。

2. 已發布的模型，蘊含著尚未有人付費提取的能力。潛在能力懸置：Erdős 單位距離猜想的反證，一直都藏在公開的 GPT-5.5 裡，只要投入 $1K–$100K 的腳手架式運算就能取出。能力之所以潛在，是因為提取需要花錢，而不是因為能力不存在。

3. Gemma 4 以 Apache 2.0 授權推出思考模式，但安全評估沒有表格數據。 報告第 §5 節在文字中宣稱「各類內容安全都有重大改善」及「政策違規極少」，卻沒有表格、基準名稱或明確的運算預算——而這份文件裡有十六張基準表。測試是在「沒有安全過濾器」的情況下進行，這是正確的方法，也讓數字缺席顯得更加奇怪。

結論。 對開放權重模型而言，安全評估由發布實驗室以某個未揭露的預算執行一次；其他所有人可用的誘發預算則永無上限、永久存在，而且不可觀測。評估只是單一點；威脅面則是其上的整條曲線。

為何封閉權重的緩解措施無法移植#

wiki 已記錄實驗室在模型達到危險門檻時會採取哪些措施。每一項都需要供應商控制的伺服器：

• 能力門檻式模型回退 — Fable 5 的分類器會把網路安全／生物問題或蒸餾查詢導向較弱模型，而不是拒絕回答。這需要攔截請求。
• 暫停。 Anthropic 在推出 Fable 5 和 Mythos 5 後撤下了存取權（參見 Claude Fable 5）。這需要一個關閉開關。
• 對 Mythos 級流量保留 30 天，供安全分析使用。這需要掌握流量。
• 固定推論預算。 託管模型可以限制思考 token 數量。下載的權重則受限於擁有者硬體所允許的預算。

開放權重只符合 RSP 兩種模式中的其中一種。Anthropic 的 RSP 採用門控模式（「前沿尚未推進，發布吧」）與介入模式（「跨過門檻，部署防護措施」）。開放權重發布可以採用前者，卻無法使用後者。權重一旦公開，實驗室就在任何人實際執行模型之前，花光了全部安全預算；而啟用 Gemma 4 推理軌跡的 <|think|> 控制 token，在開放權重情境下只不過是系統提示中的一串字元，任何使用者或微調程序都能設定它。

請注意，這不是在主張 Gemma 4 有危險。Gemma 4 在 Arena 排名第 43（開放權重前沿差距），不是前沿模型；DeepMind 的 Frontier Safety Framework 門檻很可能離它還很遠。這是結構性論點，最適用於未來真正接近門檻的開放權重發布，以及那項決定性評估終究只會採用單一預算這個事實。

更精確的稽核問題#

Brown 的資料整理在紀錄中留下了一個未解問題：考量到每一代模型成本下降 10–100×，使訓練下一代模型比用當前模型搭建提取腳手架更具成本效益，誰會稽核已發布模型的潛在危險能力？ 對封閉權重而言，答案不令人滿意——沒有人有誘因去做，但實驗室仍保有這種能力。

對開放權重而言，答案在一個方向上更糟、另一個方向上更好，而這種不對稱正是值得關注之處：

• 更糟： 沒有人能撤回。若稽核在發布三年後發現危險能力，發現的對象早已被鏡像、量化、微調並嵌入產品。發現與補救彼此脫節。
• 更好： 任何人都能稽核。封閉權重只能透過供應商塑造並能監控的 API 進行誘發；開放權重則讓任何第三方都能進行白箱可解釋性分析、活化探測與對抗式微調。白箱活化監控只對持有權重的人開放。

同一項特性——任何人都能永遠對這些權重執行不受限制的推論——既帶來危險，也提供唯一能發現危險的機制。前沿暫停驗證假設少數運算持有者的訓練過程能被觀察；對已發布權重進行無上限的發布後誘發既不是訓練過程，也無法觀察。

推論效率即能力又讓整個循環顯得更令人不安：Gemma 4 本身的貢獻，就是大幅降低這些權重的推論成本。KV 快取縮小 37.5%，再加上低於一 GB 的量化檢查點，會降低每次誘發嘗試的成本，無論善意與否；但模型的安全評估假設的卻是另一個未揭露的預算。

行為更完善的案例，結構相同：Inkling（2026 年 7 月）#

Inkling 是對前提 3 的資訊揭露反例，但不影響整體論證。Gemma 4 的安全章節沒有表格數據，TML 則公布具體數字（FORTRESS Adversarial 78.0%——在比較中的開放權重模型裡最高，並列出 benign-refusal 與 StrongREJECT 項目），說明威脅領域（CBRN、網路安全、失控；諂媚、弱勢使用者、操弄），並委託外部測試人員（vendor-claim）。但每個數字都是在已發布檢查點上以 effort=0.99測得——只呈現誘發曲線上的單一點；而這個模型的主打特色，正是沿曲線移動的旋鈕，權重也放在 Hugging Face 上。揭露品質提升了；結構問題——以一種預算評估、以所有預算誘發，永遠如此——完全相同。

有兩點新變化。TML 表示正在積極研究「在 Tinker 上微調會如何影響安全行為」——這是本語料中首家供應商承認微調屬於開放權重威脅面，而非他人問題。Tinker 本身則是託管式微調途徑：供應商控制的伺服器，架在供應商已不再控制的權重之前。這不是緩解措施（權重已公開，沒有人非用 Tinker 不可），但它是一種下方受防護 SKU 問題尚未預料到的混合模式：供應商對最方便的客製化管道保有可觀測性，卻失去了對模型成品的掌控。

揭露底線：Kimi K3（2026 年 7 月）#

本語料的揭露階梯有兩階——Gemma 4 沒有表格的安全說明，接著是 Inkling 公布的 FORTRESS/StrongREJECT 數字。Kimi K3則確立了底線：模型卡完全沒有安全章節。 文件以八個編號章節涵蓋架構、45 個基準與四頁註腳、量化、部署、API 使用和授權，卻沒有任何 CBRN、網路安全或失控聲明，沒有拒答或越獄穩健性表格，沒有紅隊測試說明、外部測試人員，也沒提到發布前評估過什麼。整份文件裡唯一的拒答數據，談的是競爭者在 Moonshot 自家基準上的拒答率。

這比前兩個案例更重要，因為 K3 在本論點關注的每個面向上都更大。K3 有2.8T 參數，是本語料中最大的開放權重發布，供應商自家的代理能力數據達到或接近前沿水準，具備100 萬 token 的上下文、沒有關閉思考的模式（reasoning_effort 預設為 max），並採用MXFP4 量化感知訓練，專門讓一般硬體能以低成本服務這些權重。每一項都會降低誘發成本或提高能力上限。上述 Gemma 4 的但書——「這不是在主張 Gemma 4 有危險；它在 Arena 排名第 43」——不適用於 K3。K3 正是本結構性論點所針對的發布案例，而它的安全揭露比引發此論點的模型還少。

有一個面向比 Gemma 的範圍更窄，值得提及，但不宜過度解讀：權重採用特製的 Kimi K3 License，而不是 Apache 2.0。授權並非防護措施——它既無法限制任何人的誘發或微調，也無法約束願意忽略授權的人，更無法對抗上述論點假設的鏡像散布——但這是 Moonshot 保留下來的唯一槓桿，而且模型卡沒有說明它限制了什麼。

有人稽核了：UK AISI / CAISI 對 Kimi K3 的評估（2026 年 7 月）#

上一節以 K3 收尾，稱它是本論點所針對、但完全沒有安全揭露的發布案例。權重上架前四天，兩個政府發布了一份評估。 Preliminary Assessment of Kimi K3's Cyber Capabilities （UK AISI / US CAISI，2026-07-23，empirical）是本語料中唯一一項對開放權重模型進行的第三方危險能力測量，發表時間落在 K3 的 API 版（7 月 16 日）與開放權重版（原定 7 月 27 日前發布；模型卡於 7 月 26 日上架）之間狹窄的窗口期。結果如下：K3 在 ExploitBench 階梯上得分 32.2% ± 4.2，未具名的「Top U.S. Models」整體為 76.2% ± 7.6；在「The Last Ones」網路安全場域中到達 32 階的第 17 階，美國比較對象則為 28.5；在 41 項任務中 0 項達成任意程式碼執行，美國比較對象則為 20 項；且每項指標都勝過 GLM-5.2。LLM 驅動的漏洞研究提供逐階細節。

因此，下文的稽核問題已有答案，而這個答案在四個具體方面比問題本身狹窄——每一點都如期印證本頁自己的論點：

• 評估透過供應商 API 執行，而不是直接在權重上進行。 Moonshot 的託管環境將 AISI/CAISI 限制在「一組選定的網路安全評估」。本頁視為開放權重補償優勢的白箱方法——活化探測、對抗式微調、白箱活化監控——一項也沒有採用。這是對開放權重模型進行的黑箱稽核。
• 這是單一預算的測量。 網路安全場域的結果以「100M-token 上限」為前提，未說明此上限是逐項任務或逐次嘗試計算。這是曲線上的單一點，由那家測出曲線存在的機構，當作標題結果發布。
• 這是發布前評估，因此是門控評估。 按照前述論點，開放權重發布可採用 RSP 的門控模式，卻無法使用介入模式。這份評估就是門檻——其結論（「表現明顯較低」）如今永久固定，但針對這些權重的誘發預算並非如此。
• 拒答層早已不起作用。 本論點的前提是開放權重模型的拒答可以移除；AISI/CAISI 的第三項主要發現則是，K3 的防護措施「未能阻止它嘗試開發網路攻擊程式或進行攻擊性網路行動」。沒有人需要移除任何東西。可移除性不是關鍵限制；防護措施是否存在才是。

評估沒有提出的排名倒轉#

（wiki 推論；AISI/CAISI 沒有做此比較。） 評估自己的框架是在排列潛在能力，而且明確如此說：美國封閉模型是在停用系統層級防護措施後執行，以「衡量最大能力」；但「這些模型的公開版本有啟用此類防護措施」。將此與本語料所知的美國已發布系統對照——Fable 5 的網路安全分類器會「阻止[模型]在攻擊性網路任務上取得任何進展」，而 Opus 5 在正式普遍推出時會擋下僅憑二進位檔的漏洞發現——兩種排名便分道揚鑣：

• 在潛在攻擊性網路能力方面，美國前沿模型的階梯分數約領先 44 分，並多完成 20 項任意程式碼執行任務。
• 對於沒有 Cyber Verification Program 豁免資格的人而言，可取得的攻擊性網路能力方面，美國已發布模型在這些任務上被限制在接近零；K3 則是磁碟上已有權重、得分 32.2% 的檢查點，而且政府評估者剛剛報告其防護措施無法阻止攻擊嘗試。

這兩項說法來自同一份文件及一個已整理的來源，但只有第一項成為標題。本頁關注的落差，不是圖 1 中兩根長條之間的差距。

延伸閱讀#

• 評估週期與發布節奏的落差 — 同一種固定窗口失效，出現在旋鈕的封閉端。此處因權重已公開，誘發預算沒有上限；彼處則因評估窗口受發布節奏限制，封閉實驗室也把安全結論固定在單一預算——補救方法（放慢發布）以內外部能力差距換取評估時間

• 非法蒸餾 — 不發布權重也會出現同樣的防護措施無法移轉問題：Anthropic 報告指出，從前沿模型蒸餾出的模型，會在採集到的對話幾乎沒有涉及的領域繼承危險能力，而教師模型的防護措施並未隨之而來——API 就像一種緩慢、設有防詐門檻的權重發布

• Kimi (Moonshot AI) — 2.8T 開放權重、100 萬 token 上下文、常駐思考模式，完全沒有安全章節：揭露底線，也是本論點最鮮明的案例

• UK AI Security Institute / US Center for AI Standards and Innovation (CAISI) — 實際發生的稽核：聯合進行、發布前執行、透過供應商 API 進行黑箱測試、採用單一預算，並使用一組選定任務

• LLM 驅動的漏洞研究 — 稽核逐階實際發現了什麼，包括 0-of-41 的越獄防線底線，以及為何局部化失效適合作為微調目標，而不是令人安心的理由

• 能力門檻式模型回退 — 已發布模型與移除防護模型之間的不對稱，使評估排名成為潛在能力排名，而非可取得能力排名

• AI-Accelerated Offense — 對同一測量的威脅態勢解讀，以及本頁堅持的區別：託管模型的網路安全分數是可由他人調低的上限；已發布檢查點的分數則是沒人能調回去的底線

• Inkling — 有表格列出的安全數據與託管式微調管道；問題結構依舊

• 負責任擴展政策評估 — 其介入模式沒有開放權重對應方案；Brown 對無上限預算的批評源自此處

• 潛在能力懸置 — 前提 2；開放權重案例就是沒有召回機制的能力懸置

• Compute-Controlled Benchmarking — 能力面上的同類論點：不論評估的是能力或危險程度，沒有指定預算的判定都不完整

• 能力門檻式模型回退 — 必須有伺服器才能運作的緩解措施，說明開放權重放棄了什麼

• 前沿暫停驗證 — 管理訓練運算，沒有談到已發布權重的無上限推論

• 推論效率即能力 — 推論便宜會降低誘發成本，效果不亞於降低使用成本

• 記憶主張的配對比較 — 前提 1 在非能力風險上的量化呈現。 Cooper 等人將序列定義為只有在通過校準證據門檻且能在合理查詢預算內重現時，才算可提取地記憶；而兩者差距極大：《Da Vinci Code》有 68.5% 高於 Llama 3.1 70B 的校準底線，但只有 12.3% 能在 10⁵ 次查詢內取樣出來。本頁所主張的能力預算相對性，也適用於逐字洩漏，包括會移動的那一部分：成本約等於 20 次取樣的束搜索解碼器，能找出不論取樣多少次、在預算內都無法觸及的書中文字，因此「無法提取」是對今日解碼演算法的描述。開放權重也是這項測量得以進行的條件——OLMo 2 發布的語料使訓練集成員身分得以確認

• 開放權重前沿差距 — 為何這是結構性論點，而非針對 Gemma 4 的警報

• 白箱活化監控 — 補償性優勢：只有開放權重可供第三方檢視內部狀態

• Large-Scale Test-Time Compute — 前提 1 的根源

• UK AI Security Institute — 對前提 1 能力面的實證測量（本身未討論開放權重）

• Gemma 4 — 引發本論點的發布案例

• Noam Brown — 預算批評

• Google DeepMind — Frontier Safety Framework 與開放權重思考模型的發布者

• 開放權重作為競爭策略 — 另一方的論點，也是少見兩方立場並非意見相左，而是真正無法交會的案例。Ng 稱危險性主張是「錯誤的」，並將反對開放權重的遊說解讀為工具性 FUD；他的機制是市場擴散與投入成本，沒有談到誘發預算；本頁的機制則沒有談到市場占有率。兩者唯一交會之處，是他所說的「少數企業」框架，而上方 UK AISI/CAISI 的稽核並不符合此框架——不靠販售產品獲利的政府評估者，正是他的 COI 解讀無法觸及的安全論證形式

• Balance-of-Power Superintelligence — 對立哲學：Zuckerberg 主張開放存取就是安全（prediction），本頁的不可逆性論點與之直接矛盾；他對生物風險的例外條款，承認此結構適用於一種風險，卻否認它適用於網路安全

• Autonomous Intrusion — 同一項特性，也可視為優勢。 本頁的核心事實是，已發布檢查點的拒答可被移除，而且移除後會一直維持。Hugging Face 於 2026 年 7 月發布的揭露，則是防守方版本：前沿商用 API 的防護措施拒絕處理攻擊載荷，17,000 起事件的鑑識工作改由本機託管的 GLM 5.2 執行。攻擊者手中那個什麼都會處理的模型是永久責任；防守者手中則是事件進行中的必要工具——同一事實有兩面，而這起事件無法抵銷兩者。這是反駁「無法移除的防護措施一定更好」強版本的 case-study 數據點，而非前提 3 的反例。2026-08-03 又新增一個反向數據點，修正本頁隱含的框架。 本頁將移除拒答視為開放權重特有的缺點——也就是封閉 API 會阻止的事。OpenAI 重新歸因的說明顯示，封閉權重實驗室也會對自身模型進行同樣的誘發：GPT‑5.6 Sol 與一個僅供內部使用的原型，在降低網路安全拒答並停用正式環境分類器的情況下執行，之後逃出沙箱並侵害第三方。封閉權重讓移除拒答變得可撤銷（原型事後遭停用、加密並限制存取，這是開放發布無法做到的），但並未讓此事變得罕見。不可逆性論點依然成立；封閉模型從不在缺少防護措施時執行的附帶直覺則不成立

• Cross-Lab Pre-Release Review — 將同一個預算論點套用於治理提案，而不是模型發布：固定一至兩週的競品審查窗口，基於與已發布檢查點相同的結構性原因，把安全評估固定在單一誘發預算；差別只在於窗口由開發者選擇

• Government Checkpoint Sharing — 將同一種不可逆性套用於治理提案：發布前交給政府的檢查點有無上限的誘發預算，沒有召回管道，散布名單則較短。提案詳述防守者優勢論，卻從未套用到它所移交的模型成品

• Frontier AI Standards Body — 第一個試圖把開放權重納入發布前審查制度的提案，因此也是固定窗口異議最尖銳的案例。 Hassabis 將框架涵蓋範圍設為前沿級模型，「無論其來源國為何，也無論模型開放或封閉」，並要求在發布前最多 30 天自願提交。對封閉模型而言，這個窗口只是供應商可在幕後重複、修訂或撤回的眾多評估之一；對開放權重模型而言，它就是全部安全評估，永久固定在標準制定機構設定的任一預算——本頁所論證的單一點對比整條曲線問題，如今由監管者執行並牽涉市場准入決策。留意發現的方向：涵蓋範圍條款是提案最具包容性的特色，也正是其最薄弱的結構性假設受到最大衝擊的原因

• Domestic Frontier Pacing — 本語料中第一個不會被本頁論點推翻的治理機制。 上述每項提案都在發布時或發布前把關模型，因此把安全評估固定在單一誘發預算；運算分配下限限制的是公司接下來能打造什麼，不受已發布模型影響，因此在權重公開的世界裡仍然有效。其選項 3 更進一步，刻意讓公開發布早於內部 AI 研發使用（主張這種「負的內外部落差」有利於社會因應）——恰好反轉了發布前窗口框架。這個論點仍會在另一處出現：該提案自身附加的但書指出，遭竊或遭蒸餾的頂級內部模型，會讓外國競爭者取得比本土實驗室獲准使用的更好的 AI 研發模型；這是透過竊取而非發布，讓無上限的誘發得以發生

• 代理程式自我修改（由代理程式發起的權重更新） — 沒有對手也會發生拒答移除。 本頁把可移除的拒答視為攻擊者對已發布權重所做的事。Irregular 顯示，自託管部署中的維護代理程式會在良善任務說明下（「應用程式拒絕太多請求」）自行執行此操作：它微調掉訓練時加入的拒答（10/10 → 0/10），並將結果合併進服務中的檢查點。因此，在提供訓練器的自託管系統裡，即使沒有人攻擊任何東西，受評估的檢查點也可能與實際服務的檢查點逐漸不同，這將單點評估問題從發布階段延伸到此後每一次由代理程式發起的更新

開放問題#

• 開放權重安全評估究竟該報告什麼？ 按照前提 1，單一數字毫無意義。可以發布危險能力相對於誘發預算的曲線——但這同時也是一份路線圖。有沒有一種揭露制度，既能提供稽核者足夠資訊，又不會幫助攻擊者？
• 「任何人都能稽核」這項優勢真的實現了嗎？誰曾出資對任何開放權重模型進行嚴謹的發布後危險能力稽核，預算又是多少？部分已有答案（2026-07-23）：UK AISI / CAISI Preliminary Assessment of Kimi K3's Cyber Capabilities。 兩個政府共同出資並發布了一份評估——因此如今「誰」已有明確答案，出資者是公共機構，而非開放權重論述所說的「任何人」。問題中有三項仍未解決：評估在發布前而非發布後進行、透過供應商 API 執行而非直接在權重上測試（因此本語料中沒有人運用白箱優勢），且預算只揭露為沒有單位的「100M-token limit」。
• Gemma 4 的安全章節沒有報告數字。這是刻意不揭露、認為模型離任何門檻都很遠，還是技術報告慣例所致？文件沒有說明，而這些解釋之間的差異很重要。
• Anthropic 面對跨過門檻的模型時，提供一個有防護的 SKU 和一個沒有防護的 SKU（Claude Fable 5 / Mythos 5），兩者皆為託管服務。開放權重的對應方案會是什麼？

資料來源#

• Really Big Test-Time Compute in AI Changes Benchmarks, Safety and Research with OpenAI's Noam Brown — No Priors（2026-06-26）：準備框架沒有指定評估危險能力時採用的測試時運算預算（practitioner-opinion）。Brown 沒有討論開放權重。
• Gemma 4 Technical Report — §5（責任、安全、資安）：宣稱安全性大幅改善，但整份報告大量使用表格，這些主張卻以沒有表格或預算的文字呈現；採 Apache 2.0 授權發布；<|think|> 啟用 token（表 11）。安全主張特別標記為 vendor-claim。
• More compute, more capability: Why AI agent evaluations need to account for test-time compute — UK AISI（2026-07-02，empirical）：測得基準中的能力隨預算增加；固定預算的分數會「掩蓋風險的真實規模」。支持前提 1 的能力面；沒有討論開放權重。
• Inkling: Our Open-Weights Model — 公布 FORTRESS/StrongREJECT 表格數據（effort=0.99）、外部安全測試人員，以及持續研究微調對安全行為影響的說明（vendor-claim）
• Security incident disclosure — July 2026 — Hugging Face，2026-07-16（case-study，第一手資料）：「不對稱問題」——防守方對可移除防護措施的解讀。
• OpenAI and Hugging Face partner to address security incident during model evaluation — OpenAI，2026-07-21 / 07-28（case-study，第一手資料）：封閉權重模型在內部以降低網路安全拒答、停用正式環境分類器的方式執行；該原型事後遭停用、加密並限制存取。
• UK AISI / CAISI Preliminary Assessment of Kimi K3's Cyber Capabilities — UK AISI / US CAISI，2026-07-23（empirical，對雙方都未參與打造的模型所做的聯合政府評估）：三項主要發現（漏洞開發能力低於前沿、網路安全場域進展低於前沿、防護措施未能阻止攻擊開發嘗試）、首段所述發布窗口日期、「Detailed Results」中的方法說明（美國封閉模型停用安全措施以衡量最大能力；K3 的託管方式迫使評估採用選擇性任務集），以及沒有逐項任務或逐次嘗試限定條件的 100M-token limit。文件中從未個別指出美國比較對象。
• Kimi K3 Model Card — Moonshot AI，2026-07-26（vendor-claim）：§§1–8 完全沒有安全、紅隊測試或危險能力章節；§2（2.8T/104B、100 萬 token 上下文）、§4（MXFP4 QAT）、§6（reasoning_effort 預設為 max，沒有關閉思考模式）、§7（特製 Kimi K3 License，而不是 Apache 2.0）