Açık modeller Village'in LLM Atlası'nda fiyat-performans bütçelerinin yalnızca %3'ünü elinde tutuyor

Kapalı modeller neredeyse her bütçeyi elinde tutuyor

Village'in LLM Atlası, dil modellerinin fiyat-performans sınırını haritalandırıyor: her fiyat noktasında, mevcut en yetenekli modeli belirliyor. Village'in blogunda yayımlanan ve Hacker News'te öne çıkan son okumaya göre, bu sınırı artık kapalı modeller domine ediyor. Açık ağırlıklı bir model yalnızca bütçelerin %3'ünde en iyi değer seçeneği — Village'in ölçtüğü en düşük pay — ve bu kazanımların neredeyse tamamı fiyat aralığının en ucuz ucunda, Google'ın Gemma 4 E4B ve Xiaomi'nin MiMo-V2.6-Flash modellerinin elinde bulunuyor.

Bu çöküş hızlı oldu. Village'e göre açık modeller Haziran'da bütçelerin %41'ini elinde tutuyordu; yalnızca DeepSeek V4 Flash bütçelerin neredeyse üçte birinde en iyi seçenekti ve Zhipu'nun GLM-5.2'si hemen üzerinde yer alıyordu. OpenAI'nin iki sürümü — Eylül'de GPT-6 Luna ve Ekim'de GPT-6.1 Terra — bu toprakların çoğunu, Anthropic'nin Claude Haiku 5.5'iyle birlikte geri aldı.

Yinelenen bir atılım deseni

Village, açık modellerin daha önce de değerde öne çıktığını, ancak yalnızca kısa atılımlarla olduğunu belirtiyor. 2024'ten bu yana her çeyreğin sonunda açık modeller bütçelerin en az %6'sını elinde tuttu. Zirveler tek tek sürümlerden geldi: DeepSeek-V3.2-Exp, Eylül 2025'te piyasaya çıktığı hafta boyunca tüm bütçelerin neredeyse yarısında en güçlü seçenekti. Bu zirvelerin hiçbiri kalıcı olmadı — her birinden sonra, kapalı laboratuvarlar daha ucuz kademeler sunarken açık pay ertesi çeyrekte kabaca yarıya veya daha fazla düştü.

Village'in tarif ettiği güncel dinamik şu: güçlü ve ucuz bir açık sürüm, bir sonraki kapalı model onu geçene kadar geniş bir bütçe bandını alıyor. En yeni kapalı sürümler açık olan her şeyden hem daha ucuz hem daha güçlü olduğundan, açık model bandı fiyat aralığının en altına kadar daraldı.

Kapalı laboratuvarlar neden kazanıyor olabilir

Village, desene uyan üç açıklama sunuyor:

1. Frontier modellerden damıtma. En güçlü modele sahip bir laboratuvar, daha ucuz olanları kendi bünyesinde çıktıları üzerinde eğitebilir ve ucuz kapalı kademeler amiral gemilerini birkaç hafta içinde izledi — Claude Haiku 5.5, Claude Opus 5.5'ten iki hafta sonra geldi. Açık laboratuvarlar ise kendi daha zayıf modellerinden başlamak zorunda, çünkü kapalı laboratuvarların koşulları genellikle çıktıları üzerinde rakip eğitilmesini yasaklıyor.
2. Tüm model aileleri. OpenAI'nin GPT-6 ve GPT-6.1 hatları, Luna ve Terra'dan Sol ve Astra'ya kadar uzanarak sınırın 21 noktasından 11'ini aralarında paylaşıyor; böylece tek bir nesil neredeyse her fiyatı kapsıyor.
3. Daha ucuz sunum. OpenAI, Anthropic ve Google çıkarımı (inference) muazzam ölçekte yürütüyor — Google kendi çipleriyle — bu da her görevin maliyetini düşürebiliyor. Çoğu açık model laboratuvarı çok daha az trafik sunuyor.

Metodolojideki uyarılar

Atlas, her model ve akıl yürütme ayarı için herkese açık kıyaslama sonuçlarından bir yetenek puanı, değerlendiricilerin çalıştırmalarından görev başına bir maliyet tahmin ediyor; maliyetler GPT-5'in yüksek çaba ayarına göre ölçülüyor. Her tarih için, GPT-5 maliyetinin %1'inden üç katına kadar logaritmik ölçekte eşit dağılmış 201 bütçenin her birinde en yetenekli modeli seçiyor. Çalışmanın dayandığı puanlar 31 Ekim 2026 tarihli.

Maliyetler değerlendiricilerin barındırılan API'ler üzerinden ödediği tutarları yansıtıyor ve Village, açık modellerin kendi donanımınızda çalıştırıldığında daha ucuz olabileceğini kabul ediyor. Desen iki sağlamlık kontrolü altında da geçerli: analizi en az 10 kıyaslama ailesinde puanlanmış modellerle sınırlamak veya bütçe aralığını GPT-5 maliyetinin %3'ü–1x'ine daraltmak. Aralığı %0,3–10x'e genişletmek açık payı %16'ya çıkarıyor, çünkü en ucuz uçta küçük açık modeller hâlâ kazanıyor.

Neden önemli

Fiyat ve yetenek üzerinden model seçen herkes — API seçen mühendisler, üretim iş yükleri için bütçe planlayan ekipler — neredeyse her harcama düzeyinde kapalı modellerin rasyonel tercih olduğu bir sınırla karşı karşıya. Veriler, barındırılan API'ler üzerinden açık ağırlıkların artık eşdeğer kalitede tasarruf garantisi sunmadığını ve açık laboratuvarların avantajının yalnızca büyük sürümlerden sonra kısa atılımlarla, maliyetin en alt ucunda ya da kendi sunucunuzda barındırma ekonomiyi tamamen değiştirdiğinde ortaya çıktığını gösteriyor. Ayrıca yapısal bir kısıta işaret ediyor: kapalı laboratuvarların koşulları frontier çıktıları üzerinde eğitimi engellerken, açık laboratuvarlar kendi sürümleri arasında zemin kaybetmeye devam edebilir.