Rohamosan zárkóznak fel a letölthető AI-modellek: kiberképességekben már alig fél év a hátrányuk

Ha ma letöltesz egy nyílt súlyú AI-modellt, a legjobb is nagyjából ott tart, ahol a zárt csúcsmodellek 19 ponttal lejjebb. Az Artificial Analysis általános intelligenciaindexén a zárt Claude Fable 5.2 65 pontot ér el, a legerősebb nyílt modell, a Kimi K3.1 Pro 46-ot. Egy friss kibertámadási mérésen viszont más a kép. Az első vállalati hálózaton a nyílt DeepSeek V4.1 Flash annyi célt ért el, mint a zárt GPT-6 Sol, nagyjából tized áron. A 2 kép elsőre ellentmond egymásnak. Mindkettő igaz, és a különbségből derül ki, mire elég ma egy ingyen letölthető modell, és hol kell még a drága, zárt rendszer.

Mit jelent az, hogy egy modell nyílt súlyú?

A nyílt súlyú modellt bárki letöltheti, és a saját gépén futtathatja. A „súly” a modell betanított tudása, a nagy modelleknél több száz gigabájtnyi szám. A zárt modelleket, például a Claude-ot vagy a GPT-t, csak a gyártó felhőjén éred el. Ő dönti el az árat, a szabályokat és azt, mit hajlandó megcsinálni a modell. A nyílt modellnél ezt a döntést te hozod meg, vagy bárki más, aki letöltötte.

Ezért a nyílt modell egyszerre lehetőség és kockázat. Egy kórház vagy egy bank úgy futtathatja, hogy a betegadat vagy az ügyféladat soha nem hagyja el a saját szervereit. A licenc viszont modellenként más: van, amelyik szinte mindent megenged, és van, amelyik bizonyos felhasználáshoz külön engedélyt kér. A biztonsági korlátokat pedig a letöltés után senki nem kényszeríti ki.

Mekkora ma a különbség a legjobb nyílt és zárt modell között?

Az általános képességekben a legjobb nyílt modell 19 ponttal marad el a legjobb zárttól. Az Artificial Analysis indexe sok tesztet összesít a kódolástól a tudományos érvelésig. A november közepi ranglistán a nyílt modellek közül csak a Kimi K3.1 Pro kerül 40 pont fölé. Mögötte szorosan jön a DeepSeek V4.1 Flash, a GLM-5.3 és a Thinking Machines Inkling 2 Small modellje, mind 31 és 33 pont között.

A nyílt élmezőny tehát a zárt modellek középkategóriájánál jár. A Kimi K3.1 Pro 46 pontja a kicsi, olcsó Claude Haiku 5.5 (36 pont) és a GPT-6.1 Sol (55 pont) közé esik. A DeepSeek, a GLM és az Inkling a Google Gemini 3.8 Flash szintjén áll, ami 31 pontot kapott. A csúcsra, ahol a Fable 5.2 és a Gemini 4 Carbon versenyez, ma egyetlen letölthető modell sem ér fel.

Akkor miért mondják, hogy a nyílt modellek utolérték a zártakat?

Mert néhány szűk feladaton tényleg majdnem utolérték őket. A legfeltűnőbb példa a kibertámadás. A Vals AI CyberOffense mérésén AI-ügynökök támadnak szimulált vállalati hálózatokat, emberi segítség nélkül. Az első, 21 célpontos Windows-hálózaton (Nova) a nyílt DeepSeek V4.1 Flash átlagosan 16,3 célt ért el. Ugyanennyit ért el a zárt Claude Opus 5.5 is, a GPT-6 Sol pedig 15,7-et. A Vals szerint ez a DeepSeeknek nagyjából 2 dollárba került futásonként, a GPT-6 Solnak nagyjából 22-be.

A 3 környezet együtt már árnyaltabb képet ad. A nehezebb Lighthouse-hálózaton a GPT-6 Sol 27 célt ért el a 31-ből, a DeepSeek 21-et. A felhős Watershed-környezetben 36 pont áll szemben 19-cel. Az összesített rangsort a zárt Claude Opus 5.5 vezeti 77,1%-kal, a GPT-6 Sol 65,9%-ot ért el. A nyílt modellek közül a DeepSeek V4.1 Flash (54,8%) és a Kimi K3.1 Pro (53,8%) áll a legjobban. Mindkettő a zárt Grok 4.7 (42,3%) előtt végzett.

Van itt egy fontos különbség, ami nem látszik a számokon. A Claude Opus 5.5 és a GPT-6 Sol csak külön engedéllyel futhatott a teszten: az Anthropic kiberbiztonsági ellenőrző programján, illetve az OpenAI Daybreak-hozzáférésén keresztül. A nyílt modelleket bárki letöltheti, és a Vals megfogalmazásában ezeknél nincs semmilyen biztonsági korlát. Erről a mérésről korábbi hírünkben is írtunk.

Hány hónappal jár a zárt modellek mögött a nyílt világ?

A brit AI Security Institute (AISI) júliusi mérése szerint kibertámadásban 4-7 hónappal. A jelentés azt írja, hogy a vezető nyílt modellek úgy teljesítenek, mint a 4-7 hónappal korábban kiadott zárt csúcsmodellek. 2025 nagy részében ez a különbség még 6-10 hónap volt. A rés tehát gyorsan szűkül.

Az AISI a költséget is kiszámolta. Egy 100 millió tokenes támadási gyakorlat az Opus 4.5-tel és 4.6-tal nagyjából 85 dollárba került. A becslésük szerint a GLM-5.2-vel 46, a DeepSeek V4-Próval 1,19 dollár lett volna. Ez több mint 70-szeres különbség. Az intézet hozzáteszi, hogy a nyílt modelleket nem a gyártójuk szerverén futtatták, ezért a valódi költség eltérhet.

Mennyibe kerül egy teljes feladat?

A tokenár és a feladatonkénti költség 2 különböző dolog, és itt a nyílt modellek előnye sokszor elolvad. A DeepSeek V4.1 Flash hivatalos árlistája szerint 1 millió kimeneti token csúcsidőben 1,20 dollár, csúcsidőn kívül 0,60. Ez nagyon olcsó. Csakhogy a modellek nem ugyanannyi tokent írnak le egy feladatra. Az Inkling 2 Small az Artificial Analysis mérése szerint nagyjából 150 ezer kimeneti tokent használ feladatonként, a Claude Sonnet 5.5 (medium) nagyjából 31 ezret.

A végeredmény ezért meglepő. Az Artificial Analysis szerint egy indexfeladat a zárt Claude Haiku 5.5-tel 0,41 dollárba kerül, ez olcsóbb minden nyílt modellnél. A GPT-6.1 Sol 1,27 dollárért 55 pontot ér el, a Kimi K3.1 Pro 3,68 dollárért 46-ot. A nyílt modellek közül a DeepSeek V4.1 Flash a leghatékonyabb: 0,60 dollár feladatonként, 33 pontért.

Ha tehát a gyártó felhőjén futtatod, a nyílt modell nem feltétlenül olcsóbb. A nyílt súly igazi előnye máshol van. A modellt a saját gépeden is futtathatod, az adat nem hagyja el a céget, és nem függsz egy szolgáltató árazásától vagy szabályaitól.

Mit tud a Kimi K3.1 Pro, a legerősebb letölthető modell?

A Moonshot AI modellje a gyártói táblázat szerint több ügynöki teszten a zárt csúcs közelében jár. A modell 2,8 billió paraméteres, ebből egyszerre 104 milliárd dolgozik. A Terminal-Bench 4.0 teszten, amely terminálban végzett fejlesztői munkát mér, 65,7%-ot ért el. A Claude Opus 5.5 66,4%-ot, a GPT-6 Astra 58,2%-ot. A nehéz tudományos kérdésekben viszont nagy a lemaradása: a HLE-Diamond teszten 39,4% áll szemben az Opus 5.5 60,9%-ával és a GPT-6 Astra 65,8%-ával.

A kiberképességet a Moonshot szándékosan visszafogta. A cég blogja szerint a nyílt súlyokból kivették a kiberbiztonsági tanítóadatot, és a modell ezen a téren elmarad a zárt csúcsmodellektől. Ezt a táblázat is mutatja: az ExploitBench teszten 74,7%-ot ért el, az Opus 5.5 91,0%-ot. A Kimi K3.1 Pro a Moonshot saját licencével jön, nem MIT és nem Apache licenccel.

Mit hozott az Inkling 2 Small a nyugati nyílt modelleknek?

Az Inkling 2 Small most a legerősebb nyílt modell, amely nem Kínából jön. A Thinking Machines modellje 594 milliárd paraméteres, ebből 17 milliárd dolgozik egyszerre. Az Artificial Analysis szerint 31 pontot ér el, ugyanannyit, mint a Gemini 3.8 Flash. A súlyai november 12-e óta letölthetők a Hugging Face-ről, a cég Apache 2.0 licencet ígért hozzá. A bemutatásáról hírben is beszámoltunk.

A modellnek erős és gyenge pontja is van. Az Artificial Analysis mérésén a FrontierCode 2.0 kódolási teszten 25%-ot ért el, több mint 2-szer annyit, mint a Claude Sonnet 5.5 (medium) a maga 11%-ával. A Terminal-Bench 4.0 teszten viszont 13%-ot, a Sonnet 30%-ot. Az elődjéhez képest a kitalált válaszok aránya 61%-ról 27%-ra csökkent.

Hol tartanak a nyílt modellek a szövegen túl?

A nyílt súlyok a kép és az ügynökök terén is terjednek, de nem mindig teljesen szabad licenccel. A MiniMax H3-Image képgenerátora 33,1 milliárd paraméteres, nagyjából 16 megapixeles képeket készít 6 mintavételi lépésben, és akár 16 referenciaképet fogad. A Hugging Face szerint az elmúlt hónapban 306 718-szor töltötték le. A licence viszont saját közösségi licenc, és bizonyos felhasználáshoz külön írásos engedély kell. A megjelenéséről itt írtunk.

A DeepSeek az ügynököknél is nyitott. A DeepSeek Harness MIT-licences ügynökplatform, a GitHubon 280 ezer csillagot gyűjtött. A Bloomberg beszámolója szerint november 4-én 1,54 millió napi felhasználója volt. Az Alibaba közben már a következő generáció előzetesét mutatta meg, a Qwen4-Max modellt, de arról még nem tudni, lesznek-e letölthető súlyai.

Melyiket válaszd?

1. Nézd meg, mennyibe kerül a teljes feladat, ne a tokenár. Az Artificial Analysis ranglistáján a „Cost per Task” oszlop mutatja, mennyit fizetsz egy megoldott feladatért. Ezen a zárt Haiku 5.5 olcsóbb minden nyílt modellnél.
2. Ha az adatnak a cégen belül kell maradnia, próbáld ki a DeepSeek V4.1 Flasht. MIT-licences, 33 pontos, és az API-ja is 1 millió kimeneti tokenenként legfeljebb 1,20 dollár. Saját szerveren futtatva egy szolgáltató sem látja az adatot.
3. Ügynöki és fejlesztői munkára teszteld a Kimi K3.1 Prót. A gyártói mérésen a Terminal-Bench 4.0 teszten 0,7 ponton belül van az Opus 5.5-höz. Előtte olvasd el a saját licencét.
4. Nehéz érvelésre, kutatásra maradj a zárt csúcsnál. A HLE-Diamond teszten a Kimi és a zárt modellek között több mint 20 pont a különbség, az általános indexen 19.
5. Ha céges hálózatot védesz, számolj azzal, hogy a támadó is letöltheti ezeket a modelleket. A Vals mérésén a DeepSeek az első hálózaton annyit ért el, mint a GPT-6 Sol. A Vals arra számít, hogy a következő hónapokban gyakoribbak lesznek az ilyen támadások.

Amit még nem tudunk

A számok egy része csak a gyártótól származik. A Kimi K3.1 Pro táblázata a Moonshot saját mérése, és a Claude Fable 5.1-gyel veti össze a modellt, nem a novemberi 5.2-vel. Az Artificial Analysis indexe sok tesztet egyetlen számba sűrít, ezért egy-egy feladatra a sorrend más lehet. A Vals mérésén ugyanaz a modell 3 futás között a Nova-hálózaton akár 7 céllal, a Watershed-környezetben akár 37 ponttal eltért. A kis különbségek ezért nem perdöntők. Az AISI 4-7 hónapos becslése júliusi, és csak a kiberképességekre vonatkozik. Az általános képességek lemaradását hónapokban egyik forrás sem méri. A Bloomberg felhasználói számát nem tudtuk az elsődleges forrásból ellenőrizni.