Открытые модели AI в 2026 году близки по качеству к закрытым, но уступают в реальных задачах из-за меньшего объёма данных и ограничений дистилляции. Будущее за специализированными, дешёвыми и узконаправленными моделями, которые дополняют закрытые мощные решения. Экосистема открытых моделей должна стать многосоставной и ориентированной на автоматизацию и эффективность.
My Bets on Where Open LLMs Go Next
полный разбор ролика · 4 глав ↓
Введение и контекст
Автор анализирует, почему открытые модели в 2026 году близки по качеству к закрытым, но уступают в реальных задачах из-за ограниченности данных и экономических факторов.
Отмечается, что закрытые модели выигрывают за счёт доступа к большему объёму приватных данных и RL-обучению в реальном времени.
Проблемы дистилляции и экосистема
Дистилляция — полезный, но не панацея для открытых моделей, и её роль переоценивают.
Предлагается отход от монолитных открытых моделей к экосистеме специализированных, дешёвых и быстрых моделей, которые дополняют друг друга.
Анализ рынка и примеры моделей
Рост адаптации моделей в Китае и США происходит с задержкой, важна работа с лицензиями и инструментами.
Nvidia использует открытые модели для поддержки продаж чипов, а стартапы монетизируют модели через внедрение на предприятиях.
Контроль, политика и финансирование
Государства заинтересованы в открытых моделях для децентрализации контроля и безопасности.
Появятся консорциумы для совместного финансирования открытых моделей, компенсирующие высокие капитальные затраты и обеспечивающие влияние на развитие.