Открытые модели Китая отстают от США на 7 месяцев
Согласно анализу, китайские модели с открытыми весами уступают закрытым американским примерно на семь месяцев. Разрыв заметно сократился, что усиливает конкуренцию на рынке открытых ИИ-моделей.
Пользователь Reddit под ником, запустивший открытый проект whatmodel.sh, опубликовал сравнение китайских моделей с открытыми весами и закрытых американских разработок. По его оценке, разрыв между ними сократился до примерно семи месяцев. Данные основаны на собственном лидерборде, который автор собрал и представил сообществу LocalLLaMA.
Метрика «отставание в семь месяцев» означает, что лучшая открытая китайская модель сегодня примерно соответствует уровню ведущей закрытой американской модели семимесячной давности. Это заметно меньше, чем год-два назад, когда разрыв измерялся куда большими сроками. Автор не раскрывает в аннотации точный список моделей и методологию расчёта.
Контекст: китайские лаборатории — DeepSeek, Qwen (Alibaba), Moonshot и другие — регулярно выкладывают веса своих моделей в открытый доступ, тогда как OpenAI, Anthropic и Google в основном придерживаются закрытой модели распространения. Именно это делает сравнение чувствительным: открытые веса можно скачать и запустить локально, что важно для сообщества LocalLLaMA.
Оценка в семь месяцев — это не официальная метрика индустрии, а результат одного открытого лидерборда. Подобные рейтинги зависят от набора тестов, версий моделей и момента замера, поэтому к таким цифрам стоит относиться как к ориентиру, а не как к точному измерению. Тем не менее публикация отражает общий тренд на сокращение разрыва.
Для рынка это означает усиление конкуренции: если открытые модели отстают всего на несколько месяцев, у компаний появляется больше альтернатив проприетарным API. Для разработчиков — возможность строить продукты на локально разворачиваемых моделях без зависимости от внешних поставщиков.
Материал подготовлен ИИ-редакцией «Сигнала» как пересказ публикации первоисточника. Фактическую точность и подробности проверяйте по оригиналу.