Open source языковые модели отстают от закрытых уже на 4 месяца: разрыв растёт

Тезис «открытые модели догнали закрытые» звучит в профессиональных чатах почти каждую неделю: с апреля по август 2026 года вышли DeepSeek V4, Kimi K3, GLM-5.3, а Meta вернулась к публикации весов с моделью Muse Glimmer. Сергей Прощаев, Tech Lead в финтехе и преподаватель в ОТУС, проверил этот тезис по четырём направлениям и пришёл к выводу, который стоит учитывать до принятия решения о миграции на опенсорс.

Что именно измеряли?

Epoch AI рассчитывает сводный индекс возможностей ECI (Epoch Capability Index). Это не один бенчмарк, а агрегат по множеству тестов, что-то вроде «среднего балла по всем экзаменам» вместо оценки по одному предмету.

Логика простая: берут лучшую открытую модель (модель с открытыми весами, то есть её можно скачать и запустить у себя) и лучшую закрытую модель (доступна только через платный API, то есть через интерфейс, куда отправляешь запрос и получаешь ответ), сравнивают их баллы по индексу и переводят разницу во время. Четыре месяца означает: лучшая открытая модель сегодня примерно на уровне лучшей закрытой модели четырёхмесячной давности.

Сергей Прощаев дополнил эти данные собственным производственным опытом, проверкой лицензий и анализом цен, чтобы понять, что стоит за абстрактными пунктами индекса.

Три вывода, которые ломают простую картину

• Разрыв не сократился, а вырос. За период 2023 — октябрь 2025 он составлял около трёх месяцев по данным Epoch AI. К маю 2026 он увеличился до четырёх месяцев. Сами авторы предупреждают: открытые модели активно «натаскиваются» под публичные тесты, а закрытые лаборатории держат лучшие системы при себе, поэтому реальный разрыв может достигать полугода.

• Средний разрыв ничего не говорит о конкретной задаче. По опыту автора, одна и та же открытая модель показала результат, неотличимый от закрытого флагмана на классификации обращений (около двадцати категорий, короткие тексты), и тут же провалилась на генерации объяснений: уверенно ссылалась на внутренние правила, которых не было в контексте. Это галлюцинация (когда модель уверенно выдумывает факты, которых нет), и на коротких задачах она почти не проявлялась, а на длинных агентных цепочках (многошаговых сценариях, где ИИ-агент сам принимает решения) становилась критичной.

• Китайские модели доминируют в опенсорсе. По данным OpenRouter (маршрутизатор запросов к разным моделям), к маю 2026 года на китайские open-weight модели приходилось около 61 % потреблённых токенов (токен — единица текста, которую обрабатывает модель). Это статистика одной платформы, а не всего рынка, но она показывает: выбирая сильную открытую модель, вы почти наверняка выбираете китайское семейство, и к оценке качества добавляется проверка лицензии и требований вашей службы безопасности.

Что делать с этим прямо сейчас?

Авторам Дзена и копирайтерам. Если вы используете открытую модель для генерации текстов, на коротких задачах (заголовки, описания, классификация тем) разница с закрытыми флагманами может быть незаметна. Но для длинных материалов, где важна фактическая точность, проверяйте каждый факт вручную: именно на длинных цепочках открытые модели чаще галлюцинируют.

Маркетологам. Аргумент «зачем платить в десятки раз больше за закрытую модель» звучит убедительно на совещании, но четыре-шесть месяцев отставания означают: ваш чат-бот на открытой модели сегодня работает на уровне закрытого флагмана весны. Для стандартных сценариев (FAQ, маршрутизация обращений) это допустимо. Для сложной аналитики и агентных сценариев — проверяйте на своих данных, а не на бенчмарках.

Предпринимателям в РФ и СНГ. Закрытые модели от OpenAI и Anthropic в России доступны с ограничениями. Из доступных аналогов — YandexGPT и GigaChat. Открытые модели (DeepSeek, Kimi, GLM) можно развернуть внутри своего контура, но учитывайте два фактора: китайские лицензии нужно проверять с юристами, а для запуска крупных моделей вроде Kimi K3 (2,8 трлн параметров) потребуется серьёзное железо. Meta Muse Glimmer на 30 млрд параметров под Apache 2.0 запускается на одной потребительской видеокарте, и это пока редкое исключение.

Четыре месяца разрыва звучат как «почти ничего», пока не вспомнишь, что четыре месяца назад ваша закрытая модель тоже не справлялась с тем, что вы хотите от неё сегодня.

По данным Хабр (Сергей Прощаев)