Половина анализа показывает, что открытые модели ИИ догоняют модели с закрытыми границами в два раза быстрее

Модели искусственного интеллекта с открытым весом сокращают разрыв с моделями с закрытыми границами поразительными темпами: с каждой последующей эрой больших языковых моделей открытым моделям требуется в два раза меньше времени, чтобы догнать первую закрытую модель той эпохи, согласно новому анализу, проведенному исследовательской фирмой SemiAnalysis, занимающейся полупроводниковыми исследованиями.

Исследование под названием «Догоняют ли открытые модели?» и опубликованная 21 августа Эваном Клотье, Максом Каном, Джорданом Наносом и Диланом Пателем, является одной из наиболее систематических попыток дать количественную оценку вопросу, стоящему над всей индустрией искусственного интеллекта: если открытые модели остаются почти такими же функциональными, как закрытые модели, при гораздо меньших затратах, есть ли у передовых лабораторий прочный бизнес? Подробную информацию о выпусках моделей, способствующих этому сдвигу, можно найти на странице AI Buzz Wire.

Три эпохи передового ИИ

Авторы утверждают, что история LLM делится на три отдельные эпохи — раннее масштабирование, рассуждение и агентирование, каждая из которых представляет собой ступенчатое увеличение того, что модели могут с пользой делать.

Их основная методологическая идея заключается в том, что сравнение моделей разных эпох с единым эталоном является ошибкой. Каждый эталонный тест является продуктом своей эпохи: он создается для выявления различий в возможностях, существующих в данный момент, затем производители моделей повышают его до тех пор, пока он не насытится, после чего отрасль перестает заботиться и движется дальше. Вместо этого команда SemiAnalysis провела тщательно подобранные наборы тестов для моделей каждой эпохи, чтобы получить совокупную оценку возможностей.

С этой точки зрения разрыв между открытыми и закрытыми рынками меняется циклически. В начале каждой эпохи пограничная лаборатория завершает многообещающие исследования, тренирует впечатляющую модель и идет вперед. Затем другие лаборатории выявляют ключевые достижения, анализируют их и устраняют пробелы. «Ничто не остается секретом навсегда, особенно если учесть дистилляцию», — пишут авторы. «Вопрос лишь в том, сколько времени это займет».

Измерение этого вопроса привело к главному выводу исследования: с каждым поколением моделям с открытым исходным кодом требуется в два раза меньше времени, чтобы догнать первую модель той эпохи с закрытым исходным кодом.

Почему этот цикл кажется другим

В докладе прямо говорится о разнице между прошлыми моментами открытой модели и нынешним. «Момент DeepSeek» в январе 2025 года попал в заголовки газет, но «никто фактически не использовал R1 для выполнения какой-либо экономически ценной работы», отмечают авторы.

Напротив, они указывают на такие модели, как GLM 5.3 и Kimi K3, как на «действительно способные выполнять многие из тех же задач по кодированию и агентированию, которые подняли Anthropic до ARR более 65 миллиардов долларов» — ссылка на траекторию дохода, которую кодирование и агентские рабочие нагрузки привели для создателя Claude. Это утверждение имеет особый вес, поскольку эти открытые модели представляют собой не просто демонстрационные программы; их внедряют в производство для тех же задач, которые приносят реальный доход закрытым лабораториям.

Цифры использования подтверждают этот сдвиг. Fireworks, поставщик логических выводов, обслуживающий множество открытых моделей, в настоящее время обрабатывает более 40 триллионов токенов в день — в два раза больше, чем API OpenAI в конце марта, по данным SemiAnaанализа. Как говорится в отчете, это «захватывающее время для потребителя токенов», поскольку битва за токены теперь выходит далеко за рамки дуополии OpenAI и Anthropic.

Вопрос коммерциализации

Исследование напрямую направлено на устранение опасений (которые в некоторых странах называют FUD) того, что эффективные дешевые открытые модели полностью сделают уровень модели товаром, а результат будет катастрофическим для прибылей передовых лабораторий.

Публичная часть анализа не дает полного ответа, указывая читателям на платную модель токеномики фирмы для детальной обработки финансовых показателей OpenAI и Anthropic. Но направление движения ясно: если открытые модели каждой эпохи появляются в два раза быстрее, чем в предыдущую эпоху, окно, в котором закрытые лаборатории могут взимать более высокие цены за передовые возможности, продолжает сужаться.

Авторы также предостерегают от того, чтобы рассматривать эту тенденцию как смертный приговор для передовых исследований. Бенчмарки, пишут они, «не рассказывают всей истории», а выводы отчета описываются как «менее медвежьи» в отношении передовых моделей, чем могут первоначально подумать читатели – отчасти потому, что исходный паритет бенчмарков — это не то же самое, что паритет в надежности, интеграции продуктов, распределении на предприятии или капитале, необходимом для обслуживания моделей в масштабе.

Почему это важно

Для покупателей полученные результаты подтверждают стратегию, которую уже приняли многие предприятия: по умолчанию использовать открытые или более дешевые модели для большей части объема токенов, сохраняя при этом закрытые модели премиум-класса для самых сложных задач. Для лабораторий это количественная оценка трудностей, с которыми они сталкиваются по двум направлениям: открытые модели ниже и огромные вычислительные затраты выше.

А для экосистемы с открытым исходным кодом данные SemiAnaанализа предлагают то, чего часто не хватало: доказательства, а не идеологию того, что разрыв сокращается по предсказуемому графику. Если модель полупериода сохранится и в следующую эпоху передового ИИ, самым ценным вопросом для отрасли станет не то, догонят ли открытые модели, а то, что останется оправданным после того, как они это сделают.

Отслеживайте гонку искусственного интеллекта в открытом весе Читать больше новостей об искусственном интеллекте →