सेमीकंडक्टर रिसर्च फर्म SemiAnalysis च्या नवीन विश्लेषणानुसार, ओपन-वेट AI मॉडेल्स बंद सीमावर्ती मॉडेल्ससह ठळक गतीने अंतर पूर्ण करत आहेत: मोठ्या भाषेच्या मॉडेल्सच्या प्रत्येक सलग युगासह, ओपन मॉडेल्सना त्या काळातील पहिल्या बंद मॉडेलपर्यंत पोहोचण्यासाठी अर्धा वेळ लागतो.
"आर ओपन मॉडेल्स कॅचिंग अप?" आणि इव्हान क्लाउटियर, मॅक्स कान, जॉर्डन नॅनोस आणि डायलन पटेल यांनी 21 ऑगस्ट रोजी प्रकाशित केलेले, संपूर्ण एआय उद्योगावर लटकलेल्या प्रश्नाचे प्रमाण निश्चित करण्याचा सर्वात पद्धतशीर प्रयत्न आहे: जर खुली मॉडेल्स किंमतीच्या काही अंशात बंद सीमांइतकीच सक्षम राहिली, तर फ्रंटियर लॅबचा व्यवसाय टिकाऊ आहे का? ही शिफ्ट चालवणाऱ्या मॉडेल रिलीझच्या सखोल कव्हरेजसाठी, AI Buzz Wire फॉलो करा.
फ्रंटियर AI चे तीन युग
लेखकांचा असा युक्तिवाद आहे की LLM चा इतिहास तीन वेगळ्या युगांमध्ये मोडतो - प्रारंभिक स्केलिंग, तर्क आणि एजंटिक - प्रत्येक मॉडेल उपयुक्तपणे काय करू शकतात यामधील स्टेप-फंक्शन वाढ दर्शवते.
त्यांचा मुख्य पद्धतशीर मुद्दा असा आहे की संपूर्ण युगातील मॉडेल्सची एकाच बेंचमार्कशी तुलना करणे ही चूक आहे. प्रत्येक बेंचमार्क हे त्याच्या युगाचे उत्पादन आहे: ते त्या वेळी अस्तित्वात असलेल्या क्षमतेतील फरक ओळखण्यासाठी तयार केले जाते, नंतर ते संतृप्त होईपर्यंत मॉडेल निर्मात्यांद्वारे चढले जाते, ज्या टप्प्यावर उद्योग काळजी घेणे थांबवतो आणि पुढे जातो. त्याऐवजी, सेमीॲनालिसिस टीमने संमिश्र क्षमता स्कोअर तयार करण्यासाठी प्रत्येक युगाच्या मॉडेलसाठी क्युरेट केलेले बेंचमार्क सेट चालवले.
अशा प्रकारे पाहिल्यास, खुले-विरुद्ध-बंद अंतर चक्रांमध्ये फिरते. प्रत्येक युगाच्या सुरुवातीला, एक फ्रंटियर लॅब आशादायक संशोधन पूर्ण करते, प्रभावी मॉडेल प्रशिक्षित करते आणि पुढे उडी मारते. इतर लॅब नंतर मुख्य प्रगती ओळखतात, त्यांना रिव्हर्स-इंजिनियर करतात आणि अंतर बंद करतात. "कोणतीही गोष्ट कायमस्वरूपी गुप्त राहत नाही - विशेषत: जेव्हा तुम्ही डिस्टिलेशनमध्ये घटक करता," लेखक लिहितात. "किती वेळ लागतो हा फक्त एक प्रश्न आहे."
त्या प्रश्नाच्या त्यांच्या मोजमापाने अभ्यासाचे हेडलाइन निष्कर्ष काढले: प्रत्येक पिढीसह, मुक्त-स्रोत मॉडेल्सना त्या काळातील पहिल्या बंद-स्रोत मॉडेलला पकडण्यासाठी अर्धा वेळ लागतो.
हे चक्र वेगळे का वाटते
मागील ओपन-मॉडेल क्षण आणि सध्याच्या क्षणांमधील फरकाबद्दल अहवाल स्पष्ट आहे. जानेवारी 2025 च्या "डीपसीक मोमेंट" ने मथळे बनवले, परंतु "कोणीही आर्थिकदृष्ट्या मौल्यवान कार्य करण्यासाठी R1 चा वापर केला नाही," असे लेखकांनी नमूद केले आहे.
याउलट, ते GLM 5.3 आणि Kimi K3 सारख्या मॉडेल्सकडे निर्देश करतात "अनेक समान कोडींग आणि एजंटिक कार्यांसाठी खरोखर सक्षम आहेत ज्याने अँथ्रोपिकला $65B+ ARR वर आणले" - कोडिंग आणि एजंटिक वर्कलोडने क्लॉड मेकरसाठी चालविलेल्या कमाईच्या मार्गाचा संदर्भ. या दाव्याला विशेष महत्त्व आहे कारण हे खुले मॉडेल केवळ डेमो-वेअर नाहीत; ते त्याच कामांसाठी उत्पादनात तैनात केले जात आहेत जे बंद लॅबसाठी वास्तविक कमाई करतात.
वापर क्रमांक शिफ्टला मजबुती देतात. फायरवर्क्स, अनेक ओपन मॉडेल्सची सेवा देणारे एक अनुमान प्रदाता, आता दररोज 40 ट्रिलियन टोकन्सवर प्रक्रिया करत आहे - अर्धविश्लेषणानुसार, मार्चच्या अखेरीस OpenAI च्या API च्या दुप्पट. या अहवालात नमूद केल्याप्रमाणे, टोकनसाठीची लढाई आता OpenAI-अँथ्रोपिक डुओपॉलीच्या पलीकडे विस्तारत असताना, "टोकन ग्राहक बनण्याचा एक रोमांचक काळ आहे."
कमोडायझेशन प्रश्न
अभ्यास थेट भीतीला संबोधित करतो — ज्याला ते काही कोपऱ्यांमधून FUD लेबल करते — की सक्षम, स्वस्त ओपन मॉडेल मॉडेल लेयरला संपूर्णपणे कमोडिटाइज करतील, एक परिणाम जो फ्रंटियर लॅब मार्जिनसाठी विनाशकारी असेल.
विश्लेषणाचा सार्वजनिक भाग पूर्ण उत्तराअभावी थांबतो, वाचकांना OpenAI आणि Anthropic च्या आर्थिक व्यवहारांच्या तपशीलवार उपचारासाठी फर्मच्या सशुल्क टोकनॉमिक्स मॉडेलकडे निर्देश करतो. परंतु प्रवासाची दिशा स्पष्ट आहे: जर प्रत्येक युगाची खुली मॉडेल्स मागील युगाच्या निम्म्या वेळेत आली, तर ज्या विंडोमध्ये बंद लॅब सीमावर्ती क्षमतेसाठी प्रीमियम दर आकारू शकतात ती खिडकी कमी होत राहते.
सीमावर्ती संशोधनासाठी मृत्यूदंड म्हणून ट्रेंड वाचण्यापासून लेखक सावधगिरी बाळगतात. बेंचमार्क, ते लिहितात, "पूर्ण कथा सांगू नका," आणि अहवालातील निष्कर्षांचे वर्णन वाचकांना सुरुवातीला वाटेल त्यापेक्षा सीमावर्ती मॉडेल्सवर "कमी मंदीचे" म्हणून केले जाते - कारण कच्चा बेंचमार्क समानता विश्वासार्हता, उत्पादन एकत्रीकरण, एंटरप्राइझ वितरण, किंवा मोठ्या प्रमाणावर मॉडेल्सची सेवा देण्यासाठी आवश्यक असलेल्या भांडवलात समानता नाही.
हे महत्त्वाचे का आहे
खरेदीदारांसाठी, निष्कर्ष एक धोरण प्रमाणित करतात जे अनेक उपक्रमांनी आधीच स्वीकारले आहे: सर्वात कठीण कामांसाठी प्रीमियम बंद मॉडेल राखून ठेवताना टोकन व्हॉल्यूमच्या मोठ्या प्रमाणात मॉडेल उघडण्यासाठी किंवा स्वस्त मॉडेल्समध्ये डिफॉल्ट करणे. लॅबसाठी, ते दोन आघाड्यांवर त्यांना तोंड देत असलेल्या दाबाचे प्रमाण ठरवते - खाली उघडलेले मॉडेल आणि वरील प्रचंड गणना खर्च.
आणि ओपन-सोर्स इकोसिस्टमसाठी, अर्धविश्लेषण डेटा असे काहीतरी ऑफर करतो ज्याचा पुरवठा बऱ्याचदा कमी असतो: पुरावा, विचारधारेऐवजी, अंदाजे वेळापत्रकानुसार अंतर बंद होत आहे. जर हाफ-टाइम पॅटर्न फ्रंटियर एआयच्या पुढच्या युगात धारण केला तर, खुली मॉडेल्स पकडतात की नाही हा उद्योगाचा सर्वात मौल्यवान प्रश्न बनत नाही, तर ते केल्यानंतर काय सुरक्षित राहते.
ओपन-वेट एआय रेसचा मागोवा घ्या अधिक एआय बातम्या वाचा →
