Открытые vs закрытые модели: как разрыв сократился почти до нуля

В конце 2023 года лучшая закрытая модель набирала около 88% на стандартном тесте знаний, лучшая открытая — около 70,5%. Разрыв в 17,5 процентных пункта означал, что выбор очевиден: для серьёзных задач платишь за закрытый API, открытые модели — для экспериментов.

К началу 2026 года, по данным Stanford AI Index, этот разрыв на тестах знаний практически обнулился.

Что показывают цифры

Открытые модели сейчас не отстают, а на ряде направлений превосходят закрытые: тесты знаний, математика, даже вопросы уровня аспирантуры по точным наукам.

И это не история одной модели-чемпиона. Пять независимых семейств открытых моделей одновременно достигли уровня фронтира: DeepSeek, Qwen, Kimi, GLM, Mistral. Когда пять разных команд из разных компаний и стран приходят к сопоставимому результату одновременно — это уже не случайность, а структурный сдвиг в том, как вообще делаются модели.

Где закрытые модели держат позицию

Разрыв не исчез полностью — он переместился. Закрытые модели сохраняют измеримое преимущество в трёх областях:

По одной из оценок, лучшая открытая модель отстаёт от лучшей закрытой примерно на 9 баллов по композитным тестам. Но для большинства практических задач — суммаризация, генерация кода, извлечение данных, поддержка клиентов, создание контента — разница между 85 и 94 баллами часто незаметна конечному пользователю. Разрыв проявляется на фронтирных задачах рассуждения, в сложных инструкциях с множеством условий и в творческой работе с нюансами.

Параллельный сюжет: США и Китай

Та же динамика на уровне стран, и здесь цифры ещё нагляднее. В мае 2023 года разрыв между лучшими американскими и китайскими моделями составлял от 17,5 до 31,6 процентных пункта. К марту 2026 года он сократился до 2,7%.

При этом США тратят на частные инвестиции в ИИ в 23 раза больше Китая — и сохраняют лидерство буквально на считанные проценты. Китай в это время лидирует по объёму патентов, научных публикаций и развитию открытой экосистемы.

Это прямое следствие того же явления: открытые китайские модели догнали закрытые западные именно потому, что закрытость перестала быть гарантией превосходства. Реальная статистика использования это подтверждает — по объёму обработанных токенов лидирует DeepSeek.

Что изменилось в экономике

Экономика изменилась сильнее, чем бенчмарки. В 2024 году запуск конкурентоспособной открытой модели требовал серьёзных вложений в железо и экспертизы. Сейчас сжатые версии открытых моделей работают на одной потребительской видеокарте — подробный разбор по железу здесь.

Большие открытые модели по-прежнему требуют серьёзной инфраструктуры — от 80 ГБ видеопамяти даже со сжатием. Но бежать за самой большой моделью не обязательно: компактные варианты дают сопоставимое качество на типичных задачах при кратно меньших требованиях.

Честные оговорки

Две вещи, которые стоит проговорить прямо.

У открытых моделей по конструкции более слабые защитные ограничения. Возможность дообучать и снимать ограничения — часть их ценностного предложения, но это палка о двух концах. Открытые модели не универсальная замена закрытым API, и притворяться иначе значит принимать решения вслепую.

Открытость весов — не то же самое, что прозрачность. Stanford AI Index отмечает тревожный момент: индекс прозрачности фундаментальных моделей упал с 58 до 40 баллов. Большинство фронтирных моделей, включая открытые, почти ничего не раскрывают о том, на каких данных и с какими ограничениями они создавались. Модель может быть скачиваемой и оставаться чёрным ящиком.

Что это значит для бизнеса

Реалистичная стратегия на 2026 год — гибридная: открытые модели для предсказуемых, объёмных, чувствительных к цене задач; закрытые — для фронтирных рассуждений и сложной агентности, где цена ошибки оправдывает разницу в стоимости.

Закрытые модели по-прежнему выигрывают там, где цена ошибки высока: производственный код, агентные системы, принимающие решения без надзора. Платите не только за качество ответа, но и за предсказуемость.

Главное же изменение в другом. Разрыв, который три года назад делал выбор очевидным, практически исчез — и выбор перестал быть идеологическим, став инженерным: какая задача, какой бюджет, какая цена ошибки. Разница между «бесплатно и почти так же хорошо» и «дорого, но лучше» — это и есть пространство для реального выбора, а не вынужденная компенсация за нехватку денег.

---

*Данные приведены по отчёту Stanford AI Index 2026 и публикациям, разбирающим его результаты. Рейтинги быстро меняются — проверяйте актуальные значения перед принятием решений.*

Частые вопросы

Догнали ли открытые модели закрытые?

На тестах знаний и математики — практически да. На производственном программировании, сложных агентных задачах и субъективном качестве ответов закрытые пока впереди, но разрыв измеряется единицами баллов, а не десятками.

Какую модель выбрать для бизнеса?

По цене ошибки: там, где ошибка дорогая (производственный код, автономные решения) — закрытые флагманы; там, где нужен объём и предсказуемая цена — открытые. Большинство компаний в итоге приходят к гибридной схеме.

Правда ли, что китайские модели догнали американские?

Разрыв между лучшими моделями двух стран сократился с 17–31 процентного пункта в 2023 году до 2,7% к 2026-му. При этом инвестиции в США больше в 23 раза — то есть отставание сокращается не деньгами, а подходом.

Открытая модель — значит прозрачная?

Нет. Открытость весов означает лишь возможность скачать и запустить модель. Данные обучения, фильтры и ограничения при этом обычно не раскрываются — по прозрачности процесса открытые модели не лучше закрытых.