Model AI Terbuka Menangkap Model Closed Frontier dalam Separuh Waktu, Temuan SemiAnalisis

Model AI berbobot terbuka menutup kesenjangan dengan model perbatasan tertutup dengan kecepatan yang luar biasa: di setiap era model bahasa besar yang berturut-turut, model terbuka membutuhkan waktu separuh lebih lama untuk mengejar model tertutup pertama pada era tersebut, menurut analisis baru yang dilakukan oleh firma riset semikonduktor SemiAnalysis.

Penelitian bertajuk "Apakah Model Terbuka Mengejar?" dan diterbitkan pada tanggal 21 Agustus oleh Evan Cloutier, Max Kan, Jordan Nanos, dan Dylan Patel, merupakan salah satu upaya paling sistematis untuk mengukur pertanyaan yang ada di seluruh industri AI: jika model terbuka tetap memiliki kemampuan yang hampir sama dengan model tertutup dengan biaya yang lebih murah, apakah laboratorium perbatasan memiliki bisnis yang tahan lama? Untuk liputan mendalam tentang rilis model yang mendorong perubahan ini, ikuti AI Buzz Wire.

Tiga Era Frontier AI

Para penulis berpendapat bahwa sejarah LLM terbagi dalam tiga era berbeda – penskalaan awal, penalaran, dan agen – yang masing-masing mewakili peningkatan fungsi bertahap dalam hal-hal yang dapat dilakukan oleh model.

Poin metodologi inti mereka adalah bahwa membandingkan model lintas era dengan satu tolok ukur adalah sebuah kesalahan. Setiap tolok ukur merupakan produk pada zamannya: tolok ukur tersebut diciptakan untuk melihat perbedaan kemampuan yang ada pada saat itu, kemudian ditingkatkan oleh para pembuat model hingga titik jenuhnya, dan pada titik inilah industri berhenti peduli dan terus bergerak maju. Sebaliknya, tim SemiAnalysis menjalankan kumpulan tolok ukur yang dikurasi untuk setiap model era guna menghasilkan skor kemampuan gabungan.

Dilihat dari sini, kesenjangan terbuka-tertutup bergerak dalam siklus. Di awal setiap era, laboratorium perbatasan menyelesaikan penelitian yang menjanjikan, melatih model yang mengesankan, dan melangkah lebih jauh. Laboratorium lain kemudian mengidentifikasi kemajuan utama, merekayasa baliknya, dan menutup kesenjangan tersebut. “Tidak ada yang dirahasiakan selamanya – terutama jika Anda mempertimbangkan faktor penyulingan,” tulis para penulis. “Ini hanya pertanyaan berapa lama waktu yang dibutuhkan.”

Pengukuran mereka atas pertanyaan tersebut menghasilkan temuan utama penelitian ini: pada setiap generasi, model sumber terbuka membutuhkan waktu setengah dari waktu yang dibutuhkan untuk menyamai model sumber tertutup pertama pada era tersebut.

Mengapa Siklus Ini Terasa Berbeda

Laporan tersebut secara blak-blakan menjelaskan perbedaan antara momen model terbuka di masa lalu dan saat ini. “Momen DeepSeek” pada bulan Januari 2025 menjadi berita utama, namun “tidak ada yang benar-benar menggunakan R1 untuk melakukan pekerjaan yang bernilai ekonomi,” catat para penulis.

Sebaliknya, mereka menyebut model seperti GLM 5.3 dan Kimi K3 sebagai model yang "benar-benar mampu melakukan banyak tugas pengkodean dan agen yang sama yang membuat Anthropic meroket hingga $65 miliar+ ARR" — merujuk pada lintasan pendapatan yang dihasilkan oleh beban kerja pengkodean dan agen bagi pembuat Claude. Klaim tersebut memiliki bobot khusus karena model terbuka ini bukan sekadar perangkat demo; mereka dikerahkan dalam produksi untuk tugas yang sama yang menghasilkan pendapatan nyata untuk laboratorium tertutup.

Angka penggunaan memperkuat pergeseran tersebut. Fireworks, penyedia inferensi yang melayani banyak model terbuka, kini memproses lebih dari 40 triliun token per hari — dua kali lipat volume API OpenAI pada akhir Maret, menurut SemiAnalysis. Laporan tersebut menyatakan bahwa ini adalah “waktu yang menyenangkan untuk menjadi konsumen token,” dengan persaingan untuk mendapatkan token yang kini melampaui duopoli OpenAI – Anthropic.

Pertanyaan Komoditisasi

Studi ini secara langsung mengatasi ketakutan – yang disebut FUD dari beberapa sudut – bahwa model terbuka yang mumpuni dan murah akan mengkomoditisasi lapisan model secara keseluruhan, sebuah hasil yang akan menjadi bencana bagi margin laboratorium terdepan.

Bagian publik dari analisis ini tidak memberikan jawaban lengkap, mengarahkan pembaca ke Model Tokenomics berbayar perusahaan untuk perlakuan rinci terhadap keuangan OpenAI dan Anthropic. Namun arah perjalanannya jelas: jika model terbuka di setiap era tiba dalam separuh waktu dari era sebelumnya, peluang bagi laboratorium tertutup untuk mengenakan harga premium untuk kemampuan terdepan akan terus menyusut.

Para penulis juga memperingatkan agar tidak menganggap tren ini sebagai hukuman mati bagi penelitian terdepan. Mereka menulis, tolok ukurnya “tidak menceritakan keseluruhan ceritanya,” dan kesimpulan laporan tersebut digambarkan sebagai “kurang bearish” pada model frontier dibandingkan yang diperkirakan pembaca pada awalnya – sebagian karena paritas benchmark mentah tidak sama dengan paritas dalam keandalan, integrasi produk, distribusi perusahaan, atau modal yang diperlukan untuk melayani model dalam skala besar.

Mengapa Itu Penting

Bagi pembeli, temuan ini memvalidasi strategi yang telah diadopsi oleh banyak perusahaan: memilih model terbuka atau lebih murah untuk sebagian besar volume token sambil tetap menggunakan model tertutup premium untuk tugas-tugas tersulit. Bagi laboratorium, hal ini mengukur tekanan yang mereka hadapi di dua sisi – model terbuka di bawah, dan biaya komputasi yang sangat besar di atas.

Dan untuk ekosistem sumber terbuka, data SemiAnalysis menawarkan sesuatu yang sering kali kurang tersedia: bukti, bukan ideologi, bahwa kesenjangan tersebut semakin dekat pada jadwal yang dapat diprediksi. Jika pola paruh waktu ini terus berlanjut hingga era AI frontier berikutnya, pertanyaan paling berharga dalam industri ini bukanlah apakah model terbuka bisa mengejar ketertinggalan, namun apa yang masih bisa dipertahankan setelah mereka berhasil melakukannya.

Lacak Perlombaan AI Open-Weight Baca berita AI selengkapnya →