Основы

Что такое открытые модели, почему компании их выпускают, как они связаны с бизнес-стратегией и какие риски несут.

  • О стратегии открытого исходного кода в AI — анализ того, как открытое ПО использовалось корпорациями и какие первые признаки того же мы видим в AI: From Open Source Software to Open Source Strategy, Bill Gurley (май 2026).

  • Одна из наиболее ясных аргументаций в пользу открытых моделей — комментарии Mark Zuckerberg о выпуске Llama 3: Open Source AI is the Path Forward, Mark Zuckerberg (июл. 2024).

  • Почему открытые модели следует рассматривать как спектр, а не бинарную оппозицию, основываясь на таких факторах как лицензии, стоимость запуска модели, доступ к данным и прочее: The Gradient of Generative AI Release: Methods and Considerations, Irene Solaiman (февр. 2023).

  • О роли открытых моделей в будущей экономике как дополнения к мощным закрытым решениям. Почему открытые модели используются для создания кастомных агентных рабочих процессов на предприятиях по всему миру: What comes next with open models, Nathan Lambert / Interconnects (март 2026).

    • Об экономической ценности открытых моделей как дополняющего инструмента для значительной части экономики, опираясь на историю интеллектуальной собственности и текущие дебаты об открытых vs. закрытых моделях (например, дистилляция): Some Simple Economics of Open versus Closed AI, Christian Catalini (авг. 2026).

    • Почему открытые модели всегда отстают от закрытых по производительности: Open models in perpetual catch-up, Nathan Lambert / Interconnects (февр. 2026).

    • Где адоптация отличается для открытых и закрытых моделей: Open and closed models are on different exponentials, Nathan Lambert / Interconnects (июн. 2026).

  • Ясное объяснение того, как уравновесить выпуск мощных открытых моделей и серьезное отношение к безопасности: A Safe Path to Open Weights, Thinking Machines Lab (июл. 2026).

    • Ранняя работа о маргинальных рисках, которая показала, что ориентированные на текст LLM очень маргинально увеличивают задокументированные потенциальные риски моделей: On the Societal Impact of Open Foundation Models, Sayash Kapoor, Rishi Bommasani и др. (февр. 2024).

    • Защиты закрытых моделей регулярно обходятся, вызывая множество реальных рисков AI до того, как появились гипотетические риски открытых моделей весом: The Myth of unsafe Open Source AI, Florian Brand (июн. 2026).

  • О массовом сокращении открытых данных — критическом факторе, который затруднил истинно открытые исследования в AI: Consent in Crisis: The Rapid Decline of the AI Data Commons, Shayne Longpre и др. (июл. 2024).

  • Недавние примеры того, как мощные китайские модели влияют на AI-экосистему: Kimi K3: The open-weights escalation, Nathan Lambert / Interconnects (июл. 2026) и GLM-5.2 is the step change for open agents, Nathan Lambert / Interconnects (июн. 2026).

  • Опционально: последние данные об адоптации открытых моделей:
    Общий обзор адоптации моделей в США vs. Китае: The ATOM Report (апр. 2026),
    Актуальные данные о загрузках моделей, дериватов и принятии в исследованиях по регионам: Interconnects Adoption Dashboard, и
    Наиболее важные модели в экосистеме: Interconnects Artifacts Hub.

Конкуренция США и Китая

Кто лидирует в открытых моделях, как это менялось со временем, как Китай сохраняет ведущую позицию и релевантная история.

  • Почему США должны инвестировать в открытые модели для фундаментальных R&D и инноваций перед лицом растущей конкуренции из Китая: The ATOM Project, Nathan Lambert (авг. 2025).

    • Линза, объясняющая, почему открытые модели способствуют инновациям в исследованиях и благоприятным исходам для AI: Why I build open language models, Nathan Lambert / Interconnects (окт. 2024).

    • Почему открытые модели способствуют образованию, инновациям и конкуренции — трем основным американским ценностям: Banning Open Source AI Would Be A Mistake, Nathan Lambert & Kevin Xu (июн. 2026).

    • Почему недавний «vibe regulation» и расплывчатые механизмы федерального надзора могут привести к столкновению и/или запрету передовых открытых моделей в ближайшем будущем: 6 months to live for open models, Nathan Lambert / Interconnects (июл. 2026).

    • Опционально: полностью открытые технические отчеты языковых моделей, демонстрирующие современное состояние понимания: Pythia (EleutherAI, 2023), Olmo (2024), Olmo 2 (2024), Olmo 3 (2025).

  • История открытого исходного кода в Китае до AI: Chinese Open Source: A Definitive History, Kevin Xu (март 2026).

    • Структурные преимущества Китая в открытом исходном коде: China's Structural Advantage in Open Source AI, Kevin Xu (июн. 2025).

    • Как сами китайские лаборатории обсуждают создание моделей и чем китайская индустрия отличается от американской: Notes from inside China's AI labs, Nathan Lambert / Interconnects (май 2026).

    • Почему китайские лаборатории так хороши в том, чтобы не отставать от американской конкуренции (например, американские лаборатории открытых весов борются за конкуренцию с китайскими лабораториями при честном сравнении производительности): GLM-5.3: How Chinese labs keep stride with the frontier, Nathan Lambert / Interconnects (авг. 2026).

  • Заметное использование китайских моделей западными компаниями привлекло значительное внимание регулирующих органов.

    • Законодатели проверили следующие компании относительно использования китайских моделей: DoorDash (CNBC, 31 июл. 2026), Airbnb (Bloomberg, 29 апр. 2026; Semafor, 29 апр. 2026), Anysphere / Cursor (Bloomberg, 29 апр. 2026; Semafor, 29 апр. 2026), Apple (Reuters, 17 май 2025).

    • Другие западные компании явно перейдут с американских закрытых лабораторий на китайские открытые модели, чтобы сэкономить затраты. Примеры включают Perplexity, которая быстро и заметно приняла DeepSeek R1 (Forbes, 28 янв. 2025), и Thomson Reuters, которая построила решение на Qwen, чтобы перейти с Claude (Business Insider, 24 авг. 2026).

Технические детали

Что такое дистилляция и насколько она помогает китайским лабораториям, как открытые модели влияют на фронтальные риски AI типа кибербезопасности, и насколько открытые модели отстают от закрытого фронтира.

  • Разрыв между открытыми и закрытыми моделями сократился в последние годы и сейчас составляет примерно 4–6 месяцев. Ведущие открытые модели поступают из китайских лабораторий примерно с 2024 года.

    • Статья SemiAnalysis, которая провела независимые оценки и пришла к выводу, что открытые модели становятся все ближе к фронтиру производительности: Are Open Models Catching Up?, SemiAnalysis (авг. 2026).

    • Открытые модели находятся на границе Парето по стоимости, но не на границе абсолютной производительности. Например, DeepSeek V4 Flash, см. оценку и стоимость на Artificial Analysis.

    • Источники данных от Epoch AI и Artificial Analysis (и США vs. Китай) показывают разрыв между открытыми и закрытыми моделями со временем.

    • Независимый анализ разрыва между открытыми и закрытыми моделями на основе смешивания публичных и приватных оценок: How far behind are open models?, Håvard Tveit Ihle (май 2026).

    • Например, в 2025 году руководитель продукта Z.ai сказал относительно времени выпуска: «Выпускайте быстро. Мы выпускаем открытый исходный код в течение нескольких часов.» — The Z.ai Playbook, ChinaTalk (21 нояб. 2025).

  • Кибер, риски и открытые модели (планирую развивать это дальше).

    • Почему мы не можем эффективно запретить открытые модели для использования плохими действующими лицами кибер-способностей (они всегда будут иметь доступ): The OpenAI/Huggingface incident; how we should manage the imminent arrival of autonomous hacking too cheap to meter, Joshua Saxe (июл. 2026).

    • Что должно делать правительство для наблюдения, ориентации, принятия решения и действия в отношении возникающих кибер-угроз (в противоположность блокированию моделей на основе внутренних оценок возможностей): We urgently need a coherent national AI cybersecurity policy, Joshua Saxe (авг. 2026).

    • Почему невозможно ожидать контроля доступа к AI на определенном пороге (например, открытые весовые модели) и необходимо подготовить общество для решения рисков ниже по течению от доступного интеллекта: Nonproliferation is the wrong approach to AI misuse, Helen Toner (апр. 2025).

  • Дистилляция — процесс обучения на выходных токенах другой модели — является единственным наиболее значительным дебатом вокруг открытых моделей в 2026 году.

    • Для основной информации см. главу учебника о синтетических данных и дистилляции в целом, из Reinforcement Learning from Human Feedback (учебник постобучения, опубликованный в 2026).

    • Как дистилляция помогает китайским лабораториям, но не отнимает у них инновации: How much does distillation really matter for Chinese LLMs?, Nathan Lambert / Interconnects (февр. 2026).

    • Очень прозрачное документирование того, как китайские компании используют продукты Anthropic и обходят условия обслуживания или предполагаемое использование. Доклад содержит подробные сведения о масштабном использовании продуктов Anthropic запрещенными сторонами, как смешивание технической дистилляции (упоминается через данные SFT), так и обширная маршрутизация Claude в их продукты и сервисы без уведомления пользователей: Detecting and countering misuse of AI: September 2026.

    • Недавняя работа, которая показала, что лаборатории фронтира имели реализации в своих API, которые позволили систематическое извлечение трасс рассуждений (критическая часть современного обучения) через умные трюки. Stealing Reasoning Traces from Proprietary LLM APIs, Panfilov, Schmotz, Shumailov и др. 2026 (подробнее на X). Anthropic подтвердила, что эта техника была использована китайскими лабораториями.

    • Почему политическая паника по поводу дистилляции, утверждающая, что дистилляция — единственная причина того, что китайские модели близки к фронтиру, не подтверждается доказательствами: The distillation panic, Nathan Lambert / Interconnects (май 2026).

    • Как лаборатории могут использовать дистилляцию для улучшения моделей в эпоху масштабирования окружений RL по агентным поведениям: How distillation is used today and what performance uplift it gives to open models, Nathan Lambert (июл. 2026).

    • Опционально: больше истории. В 2024 году была написана статья Frontiers in synthetic data, где основные моменты заключались в том, что синтетические данные, в основном в форме «дистилляции» моделей путем обучения с SFT на выходах более сильной модели, были доминирующей формой дистилляции. Лаборатории фронтира переходили на дистилляцию на основе logits, основанную на знании, подтвержденную самую раннюю в Gemini и продолжающуюся до сих пор. В начале 2025 года было значительное обсуждение того, была ли DeepSeek-R1 дистиллирована из модели o1 от OpenAI. Нет четких доказательств того, что это было сделано, и в апр. 2025 уверенно было написано, что DeepSeek это не сделал. На момент R1, это более вероятно, чем я ему давал кредит, что DeepSeek дистиллировал некоторые трассы o1, чтобы им было легче обучать их модель R1 — на основе упомянутых выше методов извлечения трасс рассуждений. Это не отнимает от инновации, но стоит быть реалистичным и это способ, которым дистилляция может ускорить закрытие пробела Китая к американским лабораториям.