自Meta于2023年发布Llama以来，开源AI模型生态系统已发展成为技术中最活跃的领域之一。以下是该领域的诚实现状——开源模型与专有模型竞争的地方以及它们仍然落后的地方。
主要模型系列
Meta Llama（3.1、3.2、3.3）：对LLM生态系统最重要的开源贡献。Llama 3.1 70B和405B在许多基准测试上与GPT-3.5竞争，接近许多任务上的GPT-4类。在大多数商业用途下以宽松许可证提供。最大的模型（405B）需要大量GPU基础设施；8B模型可以在消费者硬件上运行。Mistral AI（Mistral 7B、Mixtral 8x7B MoE、Mistral Large）：Mistral持续生产在参数数量方面表现超出的模型。Mixtral 8x7B混合专家模型在效率上是一个突破——它使用8个专家网络，每个令牌通过2个路由，从更小的有效计算足迹中获得GPT-4类输出。Google Gemma（2B、7B、27B）：Google的开放模型系列，专为研究和微调设计。Qwen（阿里巴巴）：强大的多语言模型，在中英文任务上特别强。微软Phi：小型语言模型（Phi-2、Phi-3），对其规模来说出乎意料地强大——Phi-3-mini（3.8B）在许多基准测试上优于Llama 2-13B。设计用于边缘设备运行。DeepSeek：来自中国实验室的强大编码模型（DeepSeek-Coder），MIT许可证，真正与专有编码模型竞争。
开源模型现在竞争的地方
代码生成：开源编码模型（DeepSeek-Coder、CodeLlama、Qwen-Coder）在代码生成基准测试上与GPT-4竞争。对于许多编程任务，本地运行的微调开源模型与调用专有API相当。指令跟随：Llama 3和Mistral模型足够可靠地跟随指令，适用于生产应用。自2023年以来，开源和闭源模型在指令跟随方面的差距已大幅缩小。多语言：对于中文、法语、德语和其他语言，专门在多语言数据上微调的模型（Qwen、Mistral）很强大。领域特定微调：开源最大的优势是能够在专有数据上微调——医疗、法律、金融或领域特定知识——而无需将数据发送到第三方API。
专有模型仍然领先的地方
诚实的评估：截至2026年中，最好的专有模型（Claude Opus、GPT-4o、Gemini Ultra）在复杂推理任务、细微指令跟随和安全对齐方面仍然优于最好的开源模型。差距在编码方面最小，在可以将问题分解为步骤的任务上最窄。差距在需要长篇推理、复杂多步规划和理解模糊指令的任务上最大。基础设施优势：在生产规模下运行700亿参数模型需要昂贵的GPU集群（A100/H100硬件）；对于大多数公司，运行大型开源模型的成本超过以相同吞吐量使用专有API的成本。自托管的经济盈亏平衡点通常在每月1万到3万美元的推理成本以上。
