開源模型追上封閉模型的速度,每個時代都快一倍

根據分析機構SemiAnalysis於2026年8月21日發布、題為《Are Open Models Catching Up?》的報告,開源權重AI模型追上最強封閉模型所需的時間,在大型語言模型發展的每一個新時代都會縮短約一半。SemiAnalysis並未用單一一套會隨時間逐漸飽和的固定基準測試來評判所有模型,而是為每個時代選用真正定義了那個時代的基準測試組合,分別進行比較。

三個時代,三段追趕時間

第一個時代是2022年至2024年的早期規模擴張時代。其封閉參照模型是OpenAI於2022年11月發布的GPT-3.5 Turbo,評測基準為GSM8K、HumanEval、TriviaQA與MMLU-Pro。Meta的Llama-2-70B是第一個接近它的開源模型,綜合得分為39.9分,而GPT-3.5 Turbo為75.7分。這道差距直到Meta於2024年7月發布得分86分的Llama-3.1-405B才真正被填平——距GPT-3.5 Turbo發布已過了整整19.7個月。

同一時代稍後,DeepSeek V3於2024年12月追平了OpenAI的GPT-4o,得分94.1分,對比GPT-4o的95.5分;阿里巴巴的Qwen2.5-72B也以規模小得多的模型逼近同一水準——720億參數,僅為Llama-3.1-405B四千零五十億參數的六分之一——其預訓練資料量高達18兆個token。

第二個時代是2024年至2025年的推理時代。其參照模型是OpenAI於2024年9月12日發布的o1,評測基準為GPQA-Diamond、AIME 2026、SimpleQA Verified與Humanity's Last Exam。DeepSeek-R1-0528在2025年5月填平了最初12.1分的差距,得分達到78分,僅花了8.5個月。

第三個時代是從2025年延續至今的代理型（agentic）時代。其參照模型是Anthropic於2025年11月發布的Claude Opus 4.5,評測涵蓋程式撰寫、操作電腦等複雜代理任務,採用的基準包括Terminal-Bench 2.1、BrowseComp-Plus、τ³-Banking與DeepSWE。Moonshot AI於2026年4月發布的Kimi K2.6,僅花4.8個月就追平了Claude Opus 4.5——這是SemiAnalysis迄今觀察到最快的一次追趕。

追趕時間一次次縮短一半

• 早期規模擴張時代——從GPT-3.5 Turbo到Llama-3.1-405B:19.7個月
• 推理時代——從o1到DeepSeek-R1-0528:8.5個月
• 代理型時代——從Claude Opus 4.5到Kimi K2.6:4.8個月

在這三個時代中,第一個封閉模型與最佳開源模型之間的初始得分差距,以及追平這道差距所需的時間,都在持續縮小——追趕所需的時間幾乎每個新時代都縮短一半。SemiAnalysis也謹慎點出了這項比較的真實侷限:基準測試終究只是對真實工作能力的一種不完美近似,而模型開發者完全可能針對某個特定基準測試刻意優化模型,而非提升通用能力。

這為何威脅著封閉實驗室的利潤

如果開源模型能以極低成本追平最前沿的封閉模型,AI模型這一層就有被徹底商品化的風險。這對OpenAI、Anthropic這類前沿實驗室的利潤構成嚴重威脅——它們募集了鉅額資金打造封閉模型,賭的正是自身能力上的優勢、而不僅僅是價格,能讓它們始終領先於開源替代方案。

更大範圍的競賽:美中格局作為背景

GIGAZINE在報導SemiAnalysis這項分析時補充指出,彭博社（Bloomberg）也獨立追蹤到美中兩國在更宏觀的AI競賽中呈現類似態勢:即便中國在原始能力上仍有差距,卻有時在使用量與成本上反而領先。GIGAZINE還提到,2026年7月,多家美國AI新創公司曾聯名致信川普政府,請求不要禁止使用中國的開源權重模型,理由是讓美國開發者也能接觸這些模型,同樣對美國自身有利。這正是SemiAnalysis所描述的代理型時代的一條線索:恰恰是在代理系統的實際部署中——SemiAnalysis用於第三個時代比較的Terminal-Bench類測試所評估的正是這類用途——這些模型選擇才最直接地化為真金白銀的取捨。

對於現在正在部署AI的台灣企業而言,這股趨勢的意義早已超出基準測試分數本身。如果可信的開源替代方案如今能在封閉參照模型發布後短短數月內出現,而不再需要數年,那麼正在規劃2026或2027年部署方案的團隊,在把預算鎖定給單一API之前,就擁有更多可供測試與比價的供應商選擇——也更沒有理由假定當下最強的封閉模型,到專案真正上線時依然遙遙領先、無人能及。