Что дальше ждёт открытые модели

Нейтан Ламберт написал этот текст для interconnects в марте 2026 года. Это статья о бизнесе. После DeepSeek R1 многие компании стали рассматривать открытые модели как способ влиять на индустрию ИИ. Но Ламберт утверждает, что реальный финансовый смысл делать их есть у единиц, отставание от закрытых флагманов скорее вырастет, чем сократится, а усилия разработчиков открытых моделей направлены не туда. В своём списке open-source-ai-reading-list он описывает роль открытых моделей как дополнение к сильным закрытым: компании будут использовать их для построения собственных агентных процессов.

Почему разрыв будет расти

Ламберт оценивает отставание открытых моделей от лучших закрытых в 6-18 месяцев. Его и других аналитиков удивляет, что при такой разнице в бюджетах разрыв до сих пор остаётся настолько небольшим. При этом он ожидает, что разрыв начнёт увеличиваться. Ведущие лаборатории продолжают выпускать сильные модели, и многие их улучшения просто не видны на публичных бенчмарках. Раньше под дистилляцией понимали обучение модели-ученика на полных ответах модели-учителя. В случае с кодинг-агентами решающую роль играют среды для RL и системные промпты, в которых работают агенты, а их скрыть куда проще (см. how-much-does-distillation-matter-for-chinese-llms). По мере того как модели переходят к длительным задачам в сферах с высоким порогом входа вроде юриспруденции и медицины, обучающие данные перестают лежать в открытом вебе. В программировании ещё можно держаться близко: выгрузки с GitHub и грамотно построенные окружения дают очень много. Чтобы открытые модели одержали чистую победу, нужен либо некий тайный технологический прорыв, либо жёсткий тупик в общем прогрессе. Оба сценария Ламберт считает крайне маловероятными.

Этот диапазон шире, чем примерно шесть месяцев, о которых он говорил месяцем ранее в open-models-in-perpetual-catch-up, и чем оценка в четыре-шесть месяцев из его списка чтения за сентябрь 2026 года. Все замеры собраны в заметке open-closed-model-gap.

Три класса моделей

Основная часть текста делит будущее на три класса моделей. Настоящие закрытые передовые модели будут отвечать за самых сильных агентов для сложной интеллектуальной работы и написания кода. Открытые флагманы - лучшие большие модели с открытыми весами - будут уступать на части задач, но отлично справятся со многими другими, включая отдельные этапы программирования. Класс моделей вроде GPT-OSS 120B, Nvidia Nemotron 3 Super и MiniMax M2.5 даёт оптимальный баланс цены и качества: их можно запускать локально как приватных ассистентов, оплачивая лишь расход электричества. Третий класс - небольшие открытые модели как элементы распределённого интеллекта. Именно этот класс Ламберт считает наиболее перспективным, хотя сейчас им почти никто не занимается.

Системы, а не веса

ИИ-продукт складывается из весов, инструментов и окружения. Ламберт задаётся вопросом: когда кого-то в последний раз всерьёз впечатляла чистая генерация токенов сама по себе? Это играет на руку закрытым лабораториям: они могут бесшовно связать чипы, софт для инференса, веса, инструменты и пользовательский интерфейс. В пример он приводит claude-code с Opus 4.6 и Codex с GPT-5.4. Открытая же модель обязана работать на любой конфигурации инференса и во множестве разных окружений. Некоторые уже начинают ориентироваться на конкретный интерфейс вроде opencode, но привязка модели к единственному продукту плохо вяжется с идеей открытости. Впрочем, этот сдвиг может сработать и в обратную сторону: если одни лишь веса дают всё меньше пользы, лаборатории станут охотнее выкладывать их в открытый доступ.

Ламберт обращается к двум старым публикациям. В служебной записке 2009 года для Google "The Meaning of Open" Джонатан Розенберг писал, что в открытой системе выигрывает тот, кто лучше всех её понимает и быстрее всех внедряет инновации, а не тот, кто пытается привязать пользователей к себе. Билл Гёрли в статье 2011 года об Android и Chrome назвал их дорогими защитными рвами, которые оплачивает поисковый замок Google, и напомнил, что поиск с рекламой Розенберг из принципов открытости исключил. В сфере ИИ аналогов пока нет. Модель вроде GLM 5, запущенная через vLLM, остаётся лишь частью системы: чтобы развернуть её, по-прежнему нужны собственные GPU и внутренние данные компании. Если бы появилась полностью открытая система искусственного интеллекта, она, по мысли Ламберта, победила бы сама собой, как это уже бывало с открытыми системами в прошлых технологических циклах.

Описанный Гёрли сценарий уже начинает проявляться. Moonshot и z-ai продают популярные подписки на кодинг даже при открытых весах своих моделей: большинству пользователей нужен удобный и дешёвый интерфейс с готовым инференсом, а не возня с самостоятельным запуском. И всё же Ламберт сомневается, что компании станут более открытыми. Понятный резон публиковать веса есть только у Nvidia - продавать GPU тем, кто строит решения на базе открытых моделей. У других игроков такой прямой выгоды он не видит. Без неё разработчикам открытых передовых моделей будет не хватать средств, и рынок неизбежно сожмётся до нескольких сильнейших команд.

Небольшие, скучные, специализированные

Рекомендация автора предельно конкретна. Корпоративным клиентам нужны дешёвые и надёжные модели под повторяющиеся рутинные задачи. Любую операцию, которую передовой агент выполняет десятки или сотни раз, можно передать небольшой модели: она справится в 10 раз быстрее и обойдётся в 100 раз дешевле. Ламберт описывает компактную модель с набором LoRA-адаптеров под внутренние навыки компании: она работает как инструмент, который вызывает центральный закрытый агент. Дополнительный плюс - локальная модель может читать конфиденциальные файлы и передавать их краткую выжимку в Claude. Его цель - делать "открытые модели, которые Claude Code будет мечтать вызвать в качестве инструмента". Такие модели должны быть "до одури скучными и узкими", идеально решать от одной до трёх задач, а их ценность должна измеряться экономией времени и вычислительных ресурсов, а не общими бенчмарками.

Практических подтверждений пока немного, но они есть. Qwen 3.5 4B вполне способна потягаться с оригинальным ChatGPT; существуют проверенные подходы к дообучению открытой модели на конкретной кодовой базе до уровня куда более крупных систем; а проект Moondream строит качественные небольшие мультимодальные модели при минимальном бюджете. Главная проблема - в нехватке качественной базы. Будущее семейства Qwen, лучшей линейки компактных моделей для адаптации, оказалось под вопросом после ухода ключевых сотрудников из Alibaba, а Gemma, Phi и olmo заметно уступают по уровню. В базе знаний есть наглядный пример: rl-finetune-beats-frontier, где дообучение 9B-модели за 500 долларов превзошло все передовые конфигурации на одной узкой задаче при снижении затрат в 68 раз. К тому же выводу с другой стороны приходит заметка local-ai-is-not-opus: дообученная локальная модель оправдывает себя на конкретных задачах, не пытаясь быть универсальной заменой большим системам.

К чему приходит эссе

Ламберт считает, что многие разработчики открытых моделей переоценивают свою конкурентоспособность, и консолидация, которая ждёт закрытые ИИ-компании, настигнет открытый сектор ещё раньше. Миру открытых моделей нужно превратиться в экосистему из множества разных подходов. По его мнению, Китай продвинулся в этом направлении дальше США, хотя разнообразия всё ещё не хватает. Открытым моделям стоит браться за задачи, которые не интересны ведущим лабораториям, и занимать ниши, где они становятся фактически бесплатной альтернативой. И сделать это нужно до того, как разработка сильных моделей станет окончательно не по карману сегодняшним открытым проектам.

Спустя три месяца статья open-and-closed-models-are-on-different-exponentials переводит эту мысль в плоскость прогноза о перераспределении прибыли. К похожему разделению на базе экономической теории приходит Кристиан Каталини в some-simple-economics-of-open-versus-closed-ai: открытые модели поставляют базовые токены-сырьё, а добавленную стоимость забирают те, кто владеет данными.

Эссе Билла Гёрли 2026 года from-open-source-software-to-open-source-strategy оспаривает этот тезис. Ламберт утверждает, что одних только открытых весов без открытой системы вокруг них недостаточно, а понятный мотив публиковать их остался лишь у Nvidia. Гёрли же видит в открытых весах привычную стратегию open source и ожидает, что финансировать их станут коалиции догоняющих компаний - точно так же, как они в своё время профинансировали Android и Kubernetes.