Modele AI typu open-source doganiają droższe odpowiedniki: 4 miesiące przewagi za pięciokrotność kosztów

Najnowszy raport Mozilli, udostępniony przed publikacją portalowi Ars, ujawnia, że różnica w wydajności między zaawansowanymi modelami AI typu frontier, pochodzącymi od amerykańskich firm technologicznych, a najlepszymi modelami open-weights rozwijanymi przez chińskie przedsiębiorstwa, skurczyła się do zaledwie 4,4 miesiąca. To kluczowa informacja, która wyjaśnia, dlaczego wiele firm przechodzi na znacznie tańsze modele open-source do wykonywania rutynowych zadań, jednocześnie wskazując na wąski zakres zastosowań, gdzie droższe modele frontier wciąż uzasadniają swój koszt.

Rosnąca przewaga modeli open-source

Zgodnie z raportem „State of Open Source AI” Mozilli, opublikowanym 15 września, większość organizacji powinna domyślnie korzystać z modeli open-source do większości swoich prac. Raport podkreśla, że wiodący otwarty model, Kimi K3 firmy Moonshot AI, osiąga w rankingu Artificial Analysis Intelligence Index wynik zaledwie trzy punkty niższy niż zamknięty model frontier Fable 5 firmy Anthropic, kosztując przy tym zaledwie 30 procent jego ceny.

Raffi Krikorian, dyrektor ds. technologii w Mozilli, w rozmowie z Ars, zaznaczył, że zamknięte modele „zarabiają na swojej premii w kilku miejscach: w specjalistycznej pracy zawodowej, intensywnym wyszukiwaniu informacji i długim kontekście”. Podkreślił, że decyzja o wyborze płatnych modeli powinna być podyktowana specyfiką obciążenia pracą, a nie ogólną polityką organizacji. Modele open-weights pozwalają na pobranie głównych komponentów i uruchomienie ich na własnych komputerach, choć deweloperzy zazwyczaj nie udostępniają kluczowych informacji, takich jak dane treningowe czy kod. Z kolei amerykańskie firmy, takie jak Anthropic i OpenAI, oferują zamknięte modele, utrzymując wszystko jako własność intelektualną i wymagając wyższych opłat za dostęp.

Krikorian wyjaśnił, że organizacje nadal płacą za zamknięte modele frontier, ponieważ są one gotowe do użycia i oferują „pakiet zgodności, wsparcie i odpowiedzialność”, podczas gdy wielu firmom brakuje personelu do efektywnego zarządzania modelami open-weights. Jednakże, stale zmniejszająca się różnica w wydajności oraz efektywność kosztowa modeli open-source jest coraz szerzej rozpoznawana. Przykładem jest firma kurierska DoorDash, która wykorzystuje Kimi do rutynowych zadań, rezerwując Fable dla bardziej złożonych operacji, które normalnie zajęłyby więcej czasu ludzkim ekspertom. To zjawisko przyspieszyło wykorzystanie modeli open-source od czasu publikacji inauguracyjnego raportu Mozilli 14 lipca.

Mierzenie luki wydajnościowej i koszty

Zmniejszająca się luka wydajnościowa jest mierzona na kilka sposobów. Na przykład, organizacja non-profit METR zdefiniowała horyzont czasowy modelu AI jako długość zadań, które mogą być niezawodnie wykonane przez modele AI z 50-procentowym wskaźnikiem sukcesu, mierzoną czasem potrzebnym ludzkim ekspertom. Ten horyzont czasowy podwaja się w coraz szybszym tempie.

Obecnie najlepszy zamknięty model może wykonać zadanie, które jest 1,7 razy dłuższe niż najdłuższe zadanie, które najlepszy otwarty model może niezawodnie ukończyć. Krikorian precyzuje: „Jeśli otwarty model frontier może obsłużyć siedmiogodzinne zadanie, zamknięty model może obsłużyć dwunastogodzinne. Za cztery miesiące otwarty model obsłuży dwunastogodzinne zadanie, a zamknięty model coś około dwudziestu godzin”. Zadania wymagające od ośmiu do dwunastu godzin to te, które zamknięty model frontier może wykonać, a otwarte modele jeszcze nie. Zadania trwające mniej niż osiem godzin mogą być wykonane przez oba typy modeli i mogą być przekazane tańszym modelom open-source.

Porównania te mają swoje niuanse. Zamknięte modele frontier często posiadają własne „harnesses” – warstwy oprogramowania, które pomagają modelom w dostępie do narzędzi i pamięci, zwiększając ich wydajność. Firma benchmarkingowa Vals AI oceniała modele open-source i zamknięte, używając własnego, neutralnego „harnessu”. W testach Terminal-Bench 2.1, model open-weights GLM 5.2 chińskiej firmy Z.ai (Zhipu AI) uzyskał wynik zbliżony do Claude Opus 4.7 i 4.8 firmy Anthropic, kosztując przy tym około pięć razy mniej za wykonane zadanie.

Podsumowując, płacenie za zamknięte modele frontier zapewnia około czteromiesięczną przewagę przy około pięciokrotnie wyższym koszcie za zadanie – ale tylko w przypadku zadań trwających od ośmiu do dwunastu godzin. Krikorian radzi: „Płać, gdy ta przewaga jest warta swojej ceny, na przykład w przypadku terminu, który wypada, zanim otwarty model nadrobi zaległości. Rutynowa praca, którą będziesz wykonywać w następnym kwartale, nie jest tego warta, ponieważ wkrótce będziesz mógł ją wykonać za jedną piątą kosztów, a model i tak nie będzie wąskim gardłem”.

Koncentracja na rynku i przyszłość open-source

Rosnącą popularność modeli open-weights widać na platformie OpenRouter, gdzie osiem z dziesięciu najlepszych modeli pod względem wolumenu tokenów w sierpniu 2026 roku to modele open-weights. Niemniej jednak, modele otwarte wciąż pozostają w tyle pod względem przychodów. Badanie Franka Nagle'a i Daniela Yue dla Linux Foundation wykazało, że modele open-source generowały zaledwie 4 procent całkowitych przychodów w porównaniu do 96 procent dla modeli zamkniętych (dane z maja do września 2025 roku). Krikorian przewiduje jednak zmianę: „W ostatnim roku modele otwarte eksplodowały, więc spodziewamy się, że przychody się przesunęły”.

Obecnie „większość otwartych modeli, na których działa świat, pochodzi z Chin” – stwierdził Krikorian. Chińskie laboratoria stosują tę samą strategię, co Amerykanie z Androidem: „dają to za darmo, ale posiadają ekosystem wokół tego”. Krikorian wyraża obawy nie tyle o „chińskie modele”, ile o ryzyko koncentracji. Obecnie najlepsze modele open-source są skoncentrowane w Chinach, podczas gdy najlepsze zamknięte modele frontier pochodzą z USA. Apeluje on do laboratoriów z USA i Europy o konkurowanie w „tej samej otwartej przestrzeni, aby żaden kraj nie ustalał światowych standardów”.

„Niekomfortową prawdą jest, że pluralistyczny ekosystem wokół AI open-weights jest obecnie w dużej mierze finansowany przez chiński kapitał” – powiedział Krikorian, nazywając to jednocześnie pluralizmem i koncentracją. Historia rozwoju oprogramowania open-source, takiego jak Linux, może dostarczyć lekcji, jak stworzyć „alternatywną koalicję”. Taka infrastruktura open-source była finansowana przez koalicję organizacji, które „każda potrzebowała istnienia warstwy towarowej”, w tym neutralnych fundacji.

Koalicja na rzecz budowy większej liczby otwartych modeli AI prawdopodobnie składałaby się z „instytucji z misją, a nie z rynkiem”, w przeciwieństwie do laboratoriów AI typu frontier. Krikorian proponuje: „Potrzebujemy publicznych programów obliczeniowych finansujących w pełni otwarte modele referencyjne. Szwajcarski program obliczeniowy produkujący Apertus jest przykładem. Fundacje muszą utrzymywać tę samą neutralność, jaką utrzymywały dla otwartych protokołów internetowych, rozszerzoną na modele, 'harnesses' i standardy agentowe. Firmy, które czerpią korzyści z modeli towarowych, muszą uczestniczyć. A filantropia musi pokryć to, czego nie pokryje nikt inny – infrastrukturę oceny i audytu, zwłaszcza”. Krikorian wzywa również alternatywną koalicję do pójścia dalej niż modele open-weights, przyjmując bardziej kompleksowe podejście open-source. „Trudno w pełni zaufać modelowi w podejmowaniu decyzji, jeśli nie można stwierdzić, jak był szkolony lub na podstawie czego był oceniany” – podsumował.

Dynamika rozwoju sztucznej inteligencji wyraźnie wskazuje na rosnące znaczenie modeli open-source, które stają się coraz bardziej konkurencyjne cenowo i wydajnościowo. To zjawisko może prowadzić do demokratyzacji dostępu do zaawansowanych technologii AI, jednocześnie stawiając wyzwania związane z koncentracją kapitału i potrzebą tworzenia globalnych, otwartych standardów, które zapewnią transparentność i zaufanie w obliczu szybko ewoluującego krajobrazu technologicznego.

Źródło: arstechnica.com