Açık ağırlıklı yapay zeka modelleri, kapalı sınır modelleriyle aradaki farkı çarpıcı bir hızla kapatıyor: Yarı iletken araştırma firması SemiAnalytics tarafından yapılan yeni bir analize göre, büyük dil modellerinin birbirini izleyen her döneminde, açık modellerin o dönemin ilk kapalı modeline yetişmesi yarı yarıya daha uzun sürüyor.
"Açık Modeller Yetişiyor mu?" başlıklı çalışma Evan Cloutier, Max Kan, Jordan Nanos ve Dylan Patel tarafından 21 Ağustos'ta yayınlanan bu çalışma, tüm yapay zeka endüstrisinin üzerinde asılı kalan bir soruyu ölçmeye yönelik şimdiye kadarki en sistematik girişimlerden biridir: Açık modeller, maliyetin küçük bir kısmı karşılığında neredeyse kapalı sınır kadar yetenekli olmaya devam ederse, sınır laboratuvarlarının dayanıklı bir işi var mı? Bu değişimi tetikleyen modellerin ayrıntılı kapsamı için AI Buzz Wire adresini takip edin.
Sınır Yapay Zekasının Üç Çağı
Yazarlar, LLM'lerin tarihinin üç farklı döneme (erken ölçeklendirme, akıl yürütme ve etkensel) ayrıldığını ve her birinin modellerin yararlı olarak yapabilecekleri konusunda adım işlevi artışını temsil ettiğini öne sürüyorlar.
Temel metodolojik noktası, dönemler arasındaki modelleri tek bir kıyaslamayla karşılaştırmanın bir hata olduğudur. Her kıyaslama kendi döneminin bir ürünüdür: O dönemde var olan yetenek farklılıklarını ayırt etmek için yaratılır, daha sonra model yapımcıları tarafından doygunluğa ulaşana kadar tırmanılır, bu noktada endüstri umursamayı bırakır ve yoluna devam eder. Bunun yerine SemiAnalytics ekibi, bileşik bir yetenek puanı üretmek amacıyla her çağın modelleri için özel olarak hazırlanmış kıyaslama setleri çalıştırdı.
Bu şekilde bakıldığında açık-kapalı farkı döngüler halinde hareket eder. Her çağın başlangıcında, bir öncü laboratuvar gelecek vaat eden araştırmaları tamamlar, etkileyici bir modeli eğitir ve ileriye atlar. Daha sonra diğer laboratuvarlar önemli ilerlemeleri tespit ediyor, bunlara tersine mühendislik uyguluyor ve aradaki farkı kapatıyor. Yazarlar, "Hiçbir şey sonsuza kadar gizli kalmaz - özellikle damıtmayı hesaba kattığınızda" diye yazıyor. "Bu sadece ne kadar süreceği sorusu."
Bu soruya ilişkin ölçümler çalışmanın ana bulgusunu ortaya çıkardı: Her nesilde, açık kaynak modellerinin dönemin ilk kapalı kaynak modeline yetişmesi yarı yarıya daha uzun sürüyor.
Bu Döngü Neden Farklı Hissediyor?
Rapor, geçmiş açık model anları ile mevcut an arasındaki fark konusunda açık sözlü. Yazarlar, Ocak 2025'teki "DeepSeek anı"nın manşetlere çıktığını, ancak "gerçekte hiç kimsenin R1'i ekonomik açıdan değerli bir iş yapmak için kullanmadığını" belirtiyor.
Buna karşılık, GLM 5.3 ve Kimi K3 gibi modellerin "Anthropic'i 65 Milyar Dolar + ARR'ye çıkaran aynı kodlama ve aracılık görevlerinin çoğunu gerçekten yapabilen" modellere işaret ediyorlar; bu, kodlama ve aracılık iş yüklerinin Claude yapımcısı için sağladığı gelir gidişatına bir referans. Bu iddianın özel bir önemi var çünkü bu açık modeller sadece demo amaçlı değil; kapalı laboratuvarlar için gerçek gelir sağlayan aynı görevler için üretimde kullanılıyorlar.
Kullanım sayıları bu değişimi güçlendiriyor. Birçok açık modele hizmet veren bir çıkarım sağlayıcısı olan Fireworks, şu anda günde 40 trilyondan fazla token işliyor; bu, SemiAnaliz'e göre Mart ayı sonunda OpenAI'nin API hacminin iki katıdır. Raporun belirttiği gibi, token savaşının artık OpenAI-Antropik ikilinin çok ötesine uzanmasıyla "token tüketicisi olmak için heyecan verici bir zaman".
Metalaştırma Sorunu
Çalışma, bazı açılardan FUD olarak etiketlediği, yetenekli, ucuz açık modellerin model katmanını tamamen metalaştıracağı korkusuna doğrudan değiniyor; bu da sınır laboratuvar marjları için felaket olacak bir sonuç.
Analizin halka açık kısmı tam bir yanıta ulaşamamakta ve okuyucuları OpenAI ve Anthropic'in mali durumlarının ayrıntılı bir şekilde ele alınması için firmanın ücretli Tokenomik Modeline yönlendirmektedir. Ancak gidişatın yönü açık: Her çağın açık modelleri bir önceki dönemin yarısı kadar sürede ulaşırsa, kapalı laboratuvarların sınır kapasitesi için yüksek fiyatlar talep edebileceği pencere daralmaya devam ediyor.
Yazarlar aynı zamanda bu eğilimin sınır ötesi araştırmalar için bir ölüm cezası olarak değerlendirilmemesi konusunda da uyarıda bulunuyor. Kıyaslamaların "hikayenin tamamını anlatmadığını" yazıyorlar ve raporun sonuçları, sınır modellerinde okuyucuların başlangıçta düşünebileceğinden "daha az düşüş eğilimi" olarak tanımlanıyor - kısmen ham kıyaslama paritesinin güvenilirlik, ürün entegrasyonu, kurumsal dağıtım veya modelleri geniş ölçekte sunmak için gereken sermaye ile aynı olmaması nedeniyle.
Neden Önemlidir
Alıcılar için bulgular, birçok işletmenin halihazırda benimsediği bir stratejiyi doğruluyor: token hacminin büyük bir kısmı için varsayılan olarak açık veya daha ucuz modellere yönelirken, en zorlu görevler için premium kapalı modelleri ayırmak. Laboratuvarlar için iki cephede karşılaştıkları sıkıntıyı ölçüyor: aşağıda açık modeller ve yukarıda muazzam bilgi işlem maliyetleri.
Ve açık kaynak ekosistemi için, SemiAnaliz verileri çoğunlukla yetersiz kalan bir şey sunuyor: ideolojiden ziyade aradaki farkın öngörülebilir bir programa göre kapandığına dair kanıt. Devre arası modeli, ileri düzey yapay zekanın bir sonraki çağına da yansıyorsa, sektörün en değerli sorusu, açık modellerin yetişip yetişmediği değil, yakalandıktan sonra neyin savunulabilir kaldığı olacaktır.
Açık Ağırlık Yapay Zeka Yarışını Takip Edin Daha fazla AI haberini okuyun →
