Open-weight AI-modellen dichten de kloof met gesloten frontier-modellen in een opvallend tempo: met elk opeenvolgend tijdperk van grote taalmodellen duurt het half zo lang voordat open modellen het eerste gesloten model van dat tijdperk inhalen, volgens een nieuwe analyse van halfgeleideronderzoeksbureau SemiAnalysis.
Het onderzoek, getiteld "Zijn open modellen aan het inhalen?" en op 21 augustus gepubliceerd door Evan Cloutier, Max Kan, Jordan Nanos en Dylan Patel, is een van de meest systematische pogingen tot nu toe om een vraag te kwantificeren die boven de hele AI-industrie hangt: als open modellen bijna net zo capabel blijven als de gesloten frontier tegen een fractie van de kosten, hebben grenslaboratoria dan een duurzaam bedrijf? Voor uitgebreide berichtgeving over de modelreleases die deze verschuiving aandrijven, volgt u AI Buzz Wire.
Drie tijdperken van grens-AI
De auteurs stellen dat de geschiedenis van LLM's in drie verschillende tijdperken valt – vroege schaalvergroting, redenering en agentic – die elk een stapsgewijze toename vertegenwoordigen van wat modellen nuttig kunnen doen.
Hun methodologische kernpunt is dat het vergelijken van modellen uit verschillende tijdperken met één enkele benchmark een vergissing is. Elke maatstaf is een product van zijn tijd: hij is gemaakt om de capaciteitsverschillen te onderscheiden die op dat moment bestaan, en wordt vervolgens door modelmakers beklommen totdat hij verzadigd is, op welk punt de industrie er niet meer om geeft en verder gaat. In plaats daarvan heeft het SemiAnalysis-team samengestelde benchmarksets voor de modellen uit elk tijdperk uitgevoerd om een samengestelde capaciteitsscore te verkrijgen.
Op deze manier bekeken beweegt de open versus gesloten kloof zich in cycli. Aan het begin van elk tijdperk voltooit een grenslaboratorium veelbelovend onderzoek, traint een indrukwekkend model en maakt een sprong vooruit. Andere laboratoria identificeren vervolgens de belangrijkste vooruitgangen, reverse-engineeren deze en dichten de kloof. "Niets blijft voor altijd geheim, vooral als je destillatie meetelt", schrijven de auteurs. "Het is gewoon de vraag hoe lang het duurt."
Hun meting van die vraag leverde de belangrijkste bevinding van het onderzoek op: bij elke generatie duurt het bij open-sourcemodellen half zo lang om het eerste gesloten-sourcemodel van die tijd in te halen.
Waarom deze cyclus anders voelt
Het rapport is bot over het verschil tussen eerdere open-modelmomenten en de huidige. Het ‘DeepSeek-moment’ van januari 2025 haalde de krantenkoppen, maar ‘niemand gebruikte R1 daadwerkelijk om economisch waardevol werk te doen’, merken de auteurs op.
Daarentegen wijzen ze naar modellen als GLM 5.3 en Kimi K3 als "echt in staat tot veel van dezelfde codeer- en agentic-taken die Anthropic naar $ 65 miljard + ARR hebben gebracht" - een verwijzing naar het inkomstentraject dat codeer- en agentic-workloads voor de Claude-maker hebben gegenereerd. Die bewering heeft bijzonder gewicht omdat deze open modellen niet alleen maar demoware zijn; ze worden in de productie ingezet voor dezelfde taken die echte inkomsten genereren voor gesloten laboratoria.
De gebruikscijfers versterken de verschuiving. Fireworks, een inferentieprovider die veel open modellen bedient, verwerkt nu meer dan 40 biljoen tokens per dag – twee keer zoveel als de OpenAI-API eind maart, volgens SemiAnalysis. Het is, zoals het rapport het stelt, “een opwindende tijd om tokenconsument te zijn”, waarbij de strijd om tokens zich nu veel verder uitstrekt dan het OpenAI-Antropische duopolie.
De vraag naar commoditisering
De studie gaat rechtstreeks in op de angst – die vanuit sommige hoeken FUD wordt genoemd – dat capabele, goedkope open modellen de modellaag volledig zullen commercialiseren, een uitkomst die rampzalig zou zijn voor de marges van grenslaboratoria.
Het openbare deel van de analyse biedt geen volledig antwoord en verwijst lezers naar het betaalde Tokenomics-model van het bedrijf voor een gedetailleerde behandeling van de financiële gegevens van OpenAI en Anthropic. Maar de reisrichting is duidelijk: als de open modellen van elk tijdperk in de helft van de tijd arriveren als die van het voorgaande tijdperk, wordt de periode waarin gesloten laboratoria premiumprijzen kunnen vragen voor grenscapaciteit steeds kleiner.
De auteurs waarschuwen er ook voor om de trend niet te lezen als een doodvonnis voor grensverleggend onderzoek. Benchmarks, zo schrijven ze, 'vertellen niet het hele verhaal', en de conclusies van het rapport worden beschreven als 'minder bearish' over frontier-modellen dan lezers in eerste instantie zouden denken - deels omdat ruwe benchmark-pariteit niet hetzelfde is als pariteit in betrouwbaarheid, productintegratie, bedrijfsdistributie of het kapitaal dat nodig is om modellen op schaal te bedienen.
Waarom het ertoe doet
Voor kopers valideren de bevindingen een strategie die veel bedrijven al hebben aangenomen: standaard open of goedkopere modellen gebruiken voor het grootste deel van het tokenvolume, terwijl premium gesloten modellen worden gereserveerd voor de moeilijkste taken. Voor de laboratoria kwantificeert het de druk waarmee ze op twee fronten worden geconfronteerd: open modellen hieronder en enorme computerkosten hierboven.
En voor het open-source-ecosysteem bieden de gegevens van SemiAnalysis iets dat vaak schaars was: bewijs, in plaats van ideologie, dat de kloof volgens een voorspelbaar schema kleiner wordt. Als het rustpatroon standhoudt in het volgende tijdperk van grensverleggende AI, wordt de meest waardevolle vraag van de industrie niet of open modellen hun achterstand inhalen, maar wat er daarna verdedigbaar blijft.
Volg de AI-race met open gewicht Lees meer AI-nieuws →
