Open-weight AI-modeller täpper till gapet med slutna gränsmodeller i slående takt: med varje på varandra följande era av stora språkmodeller tar öppna modeller hälften så lång tid att komma ikapp den första stängda modellen från den eran, enligt en ny analys av halvledarforskningsföretaget SemiAnalysis.

Studien, med titeln "Har öppna modeller ikapp?" och publicerad 21 augusti av Evan Cloutier, Max Kan, Jordan Nanos och Dylan Patel, är ett av de mest systematiska försöken hittills att kvantifiera en fråga som hänger över hela AI-industrin: om öppna modeller förblir nästan lika kapabla som den stängda gränsen till en bråkdel av kostnaden, har frontier labs en hållbar verksamhet? Följ AI Buzz Wire.

Three Eras of Frontier AI

Författarna hävdar att historien om LLM:er faller in i tre distinkta epoker - tidig skalning, resonemang och agent - var och en representerar en steg-funktionsökning i vad modeller med fördel kan göra.

Deras grundläggande metodologiska poäng är att det är ett misstag att jämföra modeller över epoker med ett enda riktmärke. Varje riktmärke är en produkt av sin era: det är skapat för att urskilja kapacitetsskillnader som finns vid den tiden, sedan klättrats av modelltillverkare tills det mättas, då branschen slutar bry sig och går vidare. Istället körde SemiAnalysis-teamet utvalda benchmark-uppsättningar för varje tidsperiods modeller för att producera ett sammansatt kapacitetspoäng.

Sett på detta sätt rör sig gapet mellan öppet och stängt i cykler. I början av varje era avslutar ett frontierlabb lovande forskning, tränar en imponerande modell och hoppar framåt. Andra laboratorier identifierar sedan de viktigaste framstegen, omvandlar dem och täpper till gapet. "Ingenting förblir hemligt för alltid - särskilt när du tar hänsyn till destillation", skriver författarna. — Det är bara en fråga om hur lång tid det tar.

Deras mätning av den frågan gav studiens rubrikfynd: med varje generation tar modeller med öppen källkod hälften så lång tid att komma ikapp den första modellen med stängd källkod från eran.

Varför den här cykeln känns annorlunda

Rapporten är rakt på sak om skillnaden mellan tidigare ögonblick med öppen modell och den nuvarande. "DeepSeek-ögonblicket" i januari 2025 skapade rubriker, men "ingen använde faktiskt R1 för att göra något ekonomiskt värdefullt arbete", noterar författarna.

Däremot pekar de på modeller som GLM 5.3 och Kimi K3 som "genuint kapabla till många av samma kodnings- och agentuppgifter som ökade Anthropic till $65B+ ARR" - en referens till den intäktsbana som kodning och agentarbetsbelastningar har drivit fram för Claude-tillverkaren. Det påståendet väger särskilt tungt eftersom dessa öppna modeller inte bara är demo-ware; de används i produktionen för samma uppgifter som genererar verkliga intäkter för stängda labb.

Användningssiffrorna förstärker skiftet. Fireworks, en slutledningsleverantör som betjänar många öppna modeller, behandlar nu mer än 40 biljoner tokens per dag - dubbelt så mycket som OpenAI:s API i slutet av mars, enligt SemiAnalysis. Det är, som rapporten uttrycker det, "en spännande tid att vara tokenkonsument", med kampen om tokens som nu sträcker sig långt bortom OpenAI-antropiska duopol.

Varuhandelsfrågan

Studien tar direkt upp rädslan - som den betecknar FUD från vissa hörn - att kapabla, billiga öppna modeller kommer att commoditize modelllagret helt, ett resultat som skulle vara katastrofalt för frontier lab marginaler.

Den offentliga delen av analysen slutar med ett fullständigt svar, och pekar läsarna på företagets betalda Tokenomics-modell för detaljerad behandling av OpenAI:s och Anthropics ekonomi. Men färdriktningen är tydlig: om varje eras öppna modeller kommer på halva tiden jämfört med föregående era, fortsätter fönstret där stängda labb kan ta ut premiumpriser för gränskapacitet att krympa.

Författarna varnar också för att läsa trenden som en dödsdom för frontierforskning. Riktmärken, skriver de, "berätta inte hela historien", och rapportens slutsatser beskrivs som "mindre baisse" på gränsmodeller än vad läsarna kanske tror från början - delvis eftersom rå benchmark-paritet inte är detsamma som paritet i tillförlitlighet, produktintegration, företagsdistribution eller det kapital som behövs för att betjäna modeller i stor skala.

Varför det är viktigt

För köpare validerar resultaten en strategi som många företag redan har antagit: att inte använda öppna eller billigare modeller för huvuddelen av tokenvolymen samtidigt som de reserverar stängda premiummodeller för de svåraste uppgifterna. För labben kvantifierar den pressen de möter på två fronter - öppna modeller nedan och enorma beräkningskostnader ovan.

Och för ekosystemet med öppen källkod erbjuder SemiAnalysis-data något som ofta har varit en bristvara: bevis, snarare än ideologi, att klyftan sluter sig enligt ett förutsägbart schema. Om halvtidsmönstret håller in i nästa era av frontier AI, blir branschens mest värdefulla fråga inte om öppna modeller kommer ikapp, utan vad som förblir försvarbart efter att de har gjort det.

Spåra Open-Weight AI Race Läs mer AI-nyheter →