Model AI bobot mbukak nutup celah karo model perbatasan tertutup kanthi cepet: kanthi saben model basa gedhe sing terus-terusan, model mbukak butuh setengah suwene kanggo nggayuh model tertutup pisanan ing jaman kasebut, miturut analisis anyar dening perusahaan riset semikonduktor SemiAnalysis.
Sinau, kanthi irah-irahan "Are Open Models Catching Up?" lan diterbitake 21 Agustus dening Evan Cloutier, Max Kan, Jordan Nanos, lan Dylan Patel, minangka salah sawijining upaya paling sistematis kanggo ngitung pitakonan sing ana ing kabeh industri AI: yen model mbukak tetep meh bisa kaya wates sing ditutup kanthi sithik biaya, apa laboratorium perbatasan duwe bisnis sing tahan lama? Kanggo jangkoan jero babagan rilis model sing nyopir shift iki, tindakake AI Buzz Wire.
Telung Era Frontier AI
Penulis mbantah manawa sejarah LLM kalebu telung jaman sing beda - skala awal, pertimbangan, lan agenik - saben-saben nuduhake peningkatan fungsi langkah ing model apa sing bisa digunakake.
Titik metodologis inti yaiku mbandhingake model ing jaman kanthi pathokan siji minangka kesalahan. Saben pathokan minangka produk saka jamane: digawe kanggo mbedakake bedane kemampuan sing ana ing wektu kasebut, banjur diluncurake dening produsen model nganti jenuh, ing wektu kasebut industri mandheg peduli lan terus maju. Nanging, tim SemiAnalysis nglakokake set pathokan sing dipilih kanggo saben model jaman kanggo ngasilake skor kemampuan gabungan.
Dideleng kanthi cara iki, longkangan mbukak-versus-ditutup gerakane ing siklus. Ing wiwitan saben jaman, laboratorium perbatasan ngrampungake riset sing njanjeni, nglatih model sing nyengsemake, lan maju. Lab liyane banjur ngenali kemajuan kunci, reverse engineer, lan nutup celah kasebut. "Ora ana sing tetep rahasia ing salawas-lawase - utamane yen sampeyan faktor distilasi," panulis nulis. "Iku mung pitakonan saka suwene iku njupuk."
Pangukuran pitakonan kasebut ngasilake temuan judhul panaliten: kanthi saben generasi, model open-source njupuk setengah suwene kanggo nggayuh model sumber tertutup pisanan ing jaman kasebut.
Napa Siklus Iki Rasane Beda
Laporan kasebut ora jelas babagan bedane antarane momen model mbukak lan saiki. "Momen DeepSeek" ing Januari 2025 dadi berita utama, nanging "ora ana sing nggunakake R1 kanggo nindakake pakaryan sing larang regane ekonomi," ujare panulis.
Ing kontras, padha nunjukake model kaya GLM 5.3 lan Kimi K3 minangka "bener-bener bisa nindakake akeh tugas coding lan agen sing padha sing nyebabake Anthropic dadi $ 65B + ARR" - referensi kanggo lintasan revenue sing ditindakake dening coding lan beban kerja agen kanggo pembuat Claude. Pratelan kasebut nduweni bobot tartamtu amarga model mbukak iki ora mung demo-ware; lagi disebarake ing produksi kanggo tugas padha sing generate revenue nyata kanggo Labs ditutup.
Nomer panggunaan nguatake shift. Fireworks, panyedhiya inferensi sing nyedhiyakake akeh model mbukak, saiki ngolah luwih saka 40 triliun token saben dina - kaping pindho volume API OpenAI ing pungkasan Maret, miturut SemiAnalysis. Iki, minangka laporan kasebut, "wektu sing nyenengake kanggo dadi konsumen token," kanthi perang kanggo token saiki ngluwihi duopoli OpenAI–Anthropic.
Pitakonan Commoditization
Panaliten kasebut langsung ngatasi rasa wedi - sing menehi label FUD saka sawetara pojok - model mbukak sing murah lan murah bakal commoditize lapisan model kabeh, asil sing bakal mbebayani kanggo wates lab perbatasan.
Bagian umum saka analisis mandheg kanthi jawaban lengkap, nuding para pamaca menyang Model Tokenomics sing dibayar perusahaan kanggo perawatan rinci babagan finansial OpenAI lan Anthropic. Nanging arah lelungan jelas: yen model mbukak saben jaman teka ing setengah wektu saka jaman sadurunge, jendhela ing ngendi laboratorium sing ditutup bisa ngisi rega premium kanggo kemampuan perbatasan terus nyusut.
Penulis uga ngati-ati supaya ora maca tren kasebut minangka ukuman pati kanggo riset perbatasan. Benchmarks, padha nulis, "aja nyritakake crita lengkap," lan kesimpulan laporan kasebut diterangake minangka "kurang bearish" ing model perbatasan tinimbang sing bisa dipikirake dening para pembaca - sebagian amarga paritas patokan mentah ora padha karo paritas ing linuwih, integrasi produk, distribusi perusahaan, utawa modal sing dibutuhake kanggo ngladeni model kanthi skala.
Apa Iku Penting
Kanggo para panuku, panemuan kasebut validasi strategi sing wis diadopsi dening akeh perusahaan: mbukak model utawa model sing luwih murah kanggo volume token sing akeh nalika ngreksa model tertutup premium kanggo tugas sing paling angel. Kanggo lab, iku ngitung remet sing diadhepi ing rong ngarep - model mbukak ing ngisor iki, lan biaya komputasi gedhe ing ndhuwur.
Lan kanggo ekosistem open-source, data SemiAnalysis nawakake soko sing asring kurang: bukti, tinimbang ideologi, yen jurang kasebut ditutup kanthi jadwal sing bisa diramal. Yen pola setengah-wektu terus menyang era sabanjure AI wates, pitakonan paling larang ing industri dadi ora apa model mbukak nyekel munggah, nanging apa tetep defends sawise padha nindakake.
Lacak Lomba AI Bobot Terbuka Waca liyane AI warta →
