Village проанализировала price-performance frontier языковых моделей — самую сильную модель при каждом уровне стоимости. По данным LLM Atlas на 31 октября 2026 года, open-weight модель является лучшей покупкой только в 3% рассмотренных бюджетов. Почти все такие точки находятся в дешёвом конце и принадлежат Google Gemma 4 E4B и Xiaomi MiMo-V2.6-Flash. В июне доля открытых моделей составляла 41%.
Тогда DeepSeek V4 Flash одна покрывала почти треть бюджетов, а Zhipu GLM-5.2 была выше неё. Сентябрьская GPT-6 Luna и октябрьская GPT-6.1 Terra заняли значительную часть этого диапазона вместе с Claude Haiku 5.5. Авторы называют нынешние 3% самой низкой измеренной ими долей, хотя в конце каждого квартала с 2024 года open models удерживали не менее 6%.
Прошлые подъёмы также были резкими и недолгими. DeepSeek-V3.2-Exp в неделю запуска в сентябре 2025 года была лучшей почти для половины бюджетов. После каждого пика доля открытых моделей к следующему кварталу падала примерно вдвое или больше, потому что closed labs выпускали более дешёвые tiers. По выводу Village, открытые модели выигрывают стоимость короткими волнами после сильного релиза, обычно DeepSeek, а затем закрытые компании перехватывают диапазон.
Исследователи предлагают три объяснения. Закрытые лаборатории могут distill собственные frontier models, тогда как условия обычно запрещают открытым конкурентам обучаться на их outputs. Они выпускают целые семейства: GPT-6 и GPT-6.1 от Luna и Terra до Sol и Astra занимают 11 из 21 точки frontier. Наконец, масштаб inference у OpenAI, Anthropic и Google, включая собственные чипы Google, может снижать стоимость задачи.
Методика Atlas оценивает capability score по публичным benchmarks, а cost per task — по расходам evaluators через hosted APIs относительно GPT-5 high effort. Для каждой даты выбирается лучшая модель на 201 логарифмически распределённом бюджете от 1% до трёх стоимостей GPT-5.
Ограничения важны. Открытые модели могут быть дешевле на собственном оборудовании, но это не входит в расчёт. При бюджетах от 0,3% до десяти стоимостей GPT-5 их доля вырастает до 16% за счёт самого дешёвого конца. Контрольные срезки по числу benchmark families и более узкому диапазону общий вывод не меняют.