# Open‑weight LLM догнали закрытые? Проверка на продакшене

> 2026-09-25 · AI Release · @ai_release1

> #open-weight #LLM #бенчмарки #Epoch #продакшен

### ⚡ Главное за 5 секунд - Лучшие open-weight модели отстают от закрытых в среднем на 4 месяца по индексу ECI, который Epoch AI считает по множеству бенчмарков за период с 1 января по 28 мая 2026 года. - С апреля по август 2026 выходили открытые релизы DeepSeek V4, Kimi K3, GLM-5.3, а Meta вернулась к открытым весам с Muse Glimmer. - Ограничение: агрегированный разрыв мало говорит о вашем сценарии, а сами авторы предупреждают, что реальный разрыв может быть до полугода. ### 🔍 Что обнаружено Epoch AI вычислили сводный индекс возможностей ECI по множеству бенчмарков. За период с 1 января по 28 мая 2026 года лучшие открытые модели отстают от закрытого фронтира примерно на 4 месяца — это около 8 пунктов индекса, примерно как разница между GPT-5 и GPT-5.5. При этом разрыв не сократился, а слегка вырос: по данным с 2023 по октябрь 2025 года он составлял около трёх месяцев. Авторы предупреждают, что четыре месяца могут занижать реальный разрыв, так как открытые модели подтягиваются под публичные бенчмарки, а закрытые лаборатории держат лучшие системы при себе. При более строгом критерии разрыв достигает примерно полугода. Эксперт Натан Ламберт после выхода Kimi K3 оценил разрыв в 3–5 месяцев, но это интерпретация, а не независимое измерение по методике Epoch. Конкретные релизы 2026 года: DeepSeek V4 — превью с весами под MIT вышло 24 апреля (Pro на 1,6 трлн параметров, 49 млрд активных; Flash на 284 млрд, 13 млрд активных; контекст 1 млн токенов), 13 августа Pro вышла из превью. Moonshot AI представила Kimi K3 16 июля (2,8 трлн параметров, 104 млрд активных, контекст 1 млн токенов), веса выложили 27 июля. Meta выпустила Muse Glimmer на 30 млрд параметров под Apache 2.0 10 августа, она запускается на одной потребительской видеокарте. Zhipu выпустила GLM-5.3 через API 14 августа, веса опубликовала 28 августа после проверки на кибербезопасность. По данным OpenRouter, к маю на китайские open-weight модели приходилось около 61% потреблённых токенов (это статистика одного маршрутизатора, а не всего рынка). ### 💡 Почему это важно Для инженера это сигнал: на части задач открытые модели уже неотличимы от закрытых, и можно развернуть веса внутри контура, сэкономив на API. Автор приводит пример: при классификации обращений по спорным платежам на обезличенном наборе из нескольких сотен примеров разница с дорогой закрытой моделью не выходила за пределы разброса между повторными прогонами. Но та же модель при генерации объяснений для антифрод-аналитиков уверенно ссылалась на внутренние правила, которых в контексте не было. Средний разрыв в ECI ничего не говорит о вашей задаче: модель может быть отличной на извлечении полей и заметно проигрывать на длинных агентных цепочках. Финальное решение зависит от ваших данных и требований к латентности. ### 🧩 Контекст Весной флагман Meta Muse Spark стал доступен только в продуктах Meta и в закрытом API-превью для отдельных партнёров, без открытых весов, а последние два года темп в открытых моделях задавали китайские лаборатории. Возвращение Meta с открытой моделью Muse Glimmer показательно: к маю на китайские open-weight модели приходилось около 61% токенов на OpenRouter. Для инженера это означает, что при выборе сильной открытой модели в 2026 году вы почти наверняка выбираете между китайскими семействами, и к оценке качества добавляется проверка лицензии и требований службы безопасности.

[Источник](https://habr.com/ru/companies/otus/articles/1077948/)