开源模型追赶闭源模型的速度每个时代都快一倍

根据分析机构SemiAnalysis于2026年8月21日发布的报告《Are Open Models Catching Up?》,开源权重AI模型追上最强闭源模型所需的时间,在大语言模型发展的每一个新时代都会缩短约一半。SemiAnalysis没有用一套会随时间趋于饱和的固定基准测试来评判所有模型,而是为每个时代选用真正定义了那个时代的基准测试组合,分别进行比较。

三个时代,三段追赶时间

第一个时代是2022年至2024年的早期规模扩张时代。其闭源参照模型是OpenAI于2022年11月发布的GPT-3.5 Turbo,评测基准为GSM8K、HumanEval、TriviaQA和MMLU-Pro。Meta的Llama-2-70B是第一个接近它的开源模型,综合得分为39.9分,而GPT-3.5 Turbo为75.7分。这一差距直到Meta于2024年7月发布得分86分的Llama-3.1-405B才被真正填平——距GPT-3.5 Turbo发布已过去整整19.7个月。

同一时代稍晚,DeepSeek V3于2024年12月追平了OpenAI的GPT-4o,得分94.1分,对比GPT-4o的95.5分;阿里巴巴的Qwen2.5-72B也以远小得多的规模逼近同一水平——720亿参数,仅为Llama-3.1-405B四千零五十亿参数的六分之一——其预训练数据量达18万亿个token。

第二个时代是2024年至2025年的推理时代。其参照模型是OpenAI于2024年9月12日发布的o1,评测基准为GPQA-Diamond、AIME 2026、SimpleQA Verified和Humanity's Last Exam。DeepSeek-R1-0528在2025年5月填平了最初12.1分的差距,得分达到78分,仅用了8.5个月。

第三个时代是从2025年延续至今的智能体（agentic）时代。其参照模型是Anthropic于2025年11月发布的Claude Opus 4.5,评测涵盖编程、操作电脑等复杂智能体任务,使用的基准包括Terminal-Bench 2.1、BrowseComp-Plus、τ³-Banking和DeepSWE。Moonshot AI于2026年4月发布的Kimi K2.6,仅用4.8个月就追平了Claude Opus 4.5——这是SemiAnalysis迄今观察到的最快追赶速度。

追赶时间在一次次缩短过半

• 早期规模扩张时代——从GPT-3.5 Turbo到Llama-3.1-405B:19.7个月
• 推理时代——从o1到DeepSeek-R1-0528:8.5个月
• 智能体时代——从Claude Opus 4.5到Kimi K2.6:4.8个月

在这三个时代中,第一个闭源模型与最佳开源模型之间的初始得分差距,以及追平这一差距所需的时间,都在持续缩小——追赶所需的时间几乎每个新时代都缩短一半。SemiAnalysis也谨慎指出了这项比较存在的真实局限:基准测试只是对真实工作能力的一种不完美近似,而模型开发者完全可能针对某个具体基准测试专门优化模型,而非提升通用能力。

为何这威胁着闭源实验室的利润

如果开源模型能以极低的成本追平最前沿的闭源模型,AI模型这一层就有被彻底商品化的风险。这对OpenAI、Anthropic这类前沿实验室的利润构成严重威胁——它们筹集了巨额资金来打造闭源模型,赌的正是自身的能力优势、而不仅仅是价格,能让它们始终领先于开源替代方案。

更大范围的竞赛:中美格局作为背景

GIGAZINE在报道SemiAnalysis这项分析时补充指出,彭博社（Bloomberg）也独立追踪到中美两国在更宏观的AI竞赛中呈现出类似的态势:即便中国在原始能力上仍有差距,却有时在使用量和成本上反而领先。GIGAZINE还提到,2026年7月,多家美国AI初创公司曾联名致信特朗普政府,请求不要禁止使用中国的开源权重模型,理由是让美国开发者也能接触这些模型,同样对美国自身有利。这正是SemiAnalysis所描述的智能体时代的一条线索:恰恰是在智能体的实际部署中——SemiAnalysis用于第三个时代比较的Terminal-Bench类测试所评估的正是这类用途——这些模型选择才最直接地体现为真金白银的取舍。

对于当下正在部署AI的中国大陆企业而言,这一趋势的意义早已超出基准测试分数本身。如果可信的开源替代方案如今能在闭源参照模型发布后的短短几个月内出现,而不再需要数年,那么正在规划2026年或2027年部署方案的团队,在把预算锁定给单一API之前,就拥有了更多可供测试和比价的供应商选择——也更没有理由假定当下最强的闭源模型,到项目真正上线时依然遥遥领先、无人能及。