जुलाई 2026 में open source AI की स्थिति

 (stateofopensource.ai)
2 पॉइंट द्वारा GN⁺ 4 시간 전 | 2 टिप्पणियां | WhatsApp पर शेयर करें
  • open weight models को coding, instruction following और general knowledge में closed models के समान स्तर तक पहुँचा दिया गया है, और inference cost भी 36 महीनों में 50 गुना घट गई है, जिससे प्रतिस्पर्धा का केंद्र model से हटकर agent harness पर जा रहा है
  • 2026 के मध्य तक OpenRouter में open weight models token throughput के आधे से अधिक हिस्से पर कब्ज़ा कर चुके हैं और शीर्ष 5 models भी सभी open हैं, लेकिन reasoning, long-context retrieval और agent tasks में closed models के साथ औसतन 3.3% capability gap अब भी बाकी है
  • AI features जोड़ने वाले developers में 79% open models का उपयोग करते हैं, लेकिन production तक पहुँचने की दर 51% है, जो closed models की 63% दर से कम है, इसलिए standardization, deployment tools और operational reliability अभी भी प्रमुख bottleneck बने हुए हैं
  • Databricks, Mistral AI और DeepSeek समेत ecosystem ने बड़े पैमाने पर revenue और investment हासिल किए हैं, और self-hosting token-based usage cost को fixed cost में बदल देता है, लेकिन model prices घटने के साथ revenue platform, harness जैसे upper layers की ओर शिफ्ट हो रहा है
  • अगली प्रतिस्पर्धा इस पर निर्भर करेगी कि harness, memory, write permissions और governance का मालिक कौन बनता है, और openness बनाए रखने के लिए neutral harnesses और portable permission standards बनाने होंगे तथा किसी खास model, provider या country पर निर्भरता से बचना होगा

उधार नहीं, स्वामित्व वाला AI

  • open AI उन क्षेत्रों में users को model और data का सीधा स्वामित्व देता है जहाँ closed API को किराये पर लेना कठिन है, जैसे कम व्यावसायिक क्षमता वाली भाषाएँ, field-based offline services, self-owned hardware और public infrastructure
    • न्यूज़ीलैंड के उत्तरी हिस्से की एक Māori broadcaster ने ऐसे license के तहत te reo speech model को train किया जिसमें data समुदाय के भीतर ही रहता है
    • PwC ने finance language पर open model को fine-tune करके अपने hardware पर सैकड़ों ग्राहकों के लिए चलाया है और प्रति token शुल्क नहीं देता
    • Lausanne के शोधकर्ताओं ने Red Cross और humanitarian guidelines के अनुरूप एक open medical model बनाया है और अपने देश तथा Tanzania में clinical trials की तैयारी कर रहे हैं
    • East Africa के किसान cloud से बाहर के खेतों में मोबाइल फ़ोन पर offline cassava disease diagnosis model चलाते हैं
    • Switzerland का public consortium public supercomputer पर national model को train करता है और weights, data और training code सभी को सार्वजनिक करता है
  • जैसे Mozilla एक कंपनी के web gateway monopoly को रोकने के लिए उभरा था, वैसे ही AI में भी competition, interoperability और provider छोड़ने की स्वतंत्रता ज़रूरी है
  • लक्ष्य किसी एक model को चुनना नहीं, बल्कि कई models को standard तरीके से जोड़ने वाली ऐसी संरचना बनाना है जिसमें किसी भी समय provider बदला जा सके

open weights की क्षमता और उपयोग

  • Chatbot Arena में open और closed models के बीच का gap जनवरी 2024 के बाद 8.04% से घटकर 0.5% तक आया, फिर मार्च 2026 में बढ़कर 3.3% हो गया
    • अगस्त 2024 में यह 0.5% तक सिमट गया था, और फरवरी 2025 में DeepSeek-R1 ने कुछ समय के लिए शीर्ष अमेरिकी model की बराबरी की थी
    • closed reasoning models के आगे निकलने से औसत gap फिर बढ़ा, लेकिन open models coding, instruction following और general knowledge में समान या क़रीब हैं
    • बचा हुआ gap reasoning, long-context retrieval और agent tasks में केंद्रित है
  • GPT-4-स्तर के model की प्रति 10 लाख tokens inference कीमत 36 महीनों में 20 डॉलर से 0.40 डॉलर तक, यानी 50 गुना गिर गई
    • Stanford HAI के अनुसार GPT-3.5-स्तर की कीमत 18 महीनों में 280 गुना गिरी
    • Epoch AI ने सालाना 9 से 900 गुना गिरावट बताई, और नवंबर 2025 के MIT अध्ययन ने अनुमान लगाया कि hardware effect को समायोजित करने के बाद frontier pricing सालाना 5 से 10 गुना गिरती है
  • OpenRouter में open weights की token share बहुत कम स्तर से बढ़कर 2025 के अंत तक लगभग एक-तिहाई और 2026 के मध्य तक आधे से अधिक हो गई
    • यह token throughput के आधार पर बढ़त है; request count के हिसाब से अमेरिकी closed providers अब भी आगे हैं
    • open models का उपयोग coding और agent workloads में केंद्रित है
  • पिछले एक महीने में OpenRouter throughput के शीर्ष 5 models सभी open weights थे
    • क्रमशः DeepSeek V4 Flash 18.4T, Xiaomi MiMo-V2.5 14.9T, Tencent Hy3 preview 14.8T, MiniMax M3 14.3T और source undisclosed Owl Alpha 11T रहे
    • इनके बाद Anthropic Claude Opus 4.7 9.02T, DeepSeek V4 Pro 8.55T, Claude Sonnet 4.6 7.33T, Claude Opus 4.8 6.18T और DeepSeek V3.2 4.31T रहे
  • 2026 के मध्य में शीर्ष 9 models का साप्ताहिक token throughput चीन के models के लिए लगभग 18T और अमेरिकी models के लिए लगभग 5.5T था, यानी 3:1 से अधिक, और cost-based routing करने वाले developers open weights चुनने की ओर झुकते हैं

ऊँची adoption rate, कम production conversion

  • Mozilla·SlashData 2026 developer survey में AI features जोड़ने वाले developers में 79% open models और 71% closed models का उपयोग करते हैं
    • 29% केवल open models, 21% केवल closed models का उपयोग करते हैं
    • आधे, यानी 50%, दोनों प्रकार का साथ में उपयोग करते हैं, इसलिए ज़्यादातर teams में ये पूर्ण विकल्प नहीं हैं
  • open model adoption rate Greater China और East Asia में 89% के साथ सबसे ऊँची है, उसके बाद Western Europe 70% और South America 66% हैं
    • केवल Western Europe और South America ऐसे क्षेत्र हैं जहाँ closed adoption open से अधिक है
  • production तक पहुँचने की दर open model teams में 51% और closed model teams में 63% है
    • छोटे व्यवसायों में यह closed 54% और open 53% है
    • mid-sized कंपनियों में क्रमशः 66% और 55%, और 1,001 से अधिक कर्मचारियों वाली कंपनियों में 73% और 57% है
    • संगठन का आकार बढ़ने पर closed deployment rate 54% से 73% तक बढ़ती है, लेकिन open 53% से 57% तक ही जाती है, जिससे स्पष्ट है कि केवल enterprise resources से open deployment bottleneck दूर नहीं होता
  • open models छोड़ चुके developers और उन्हें जारी रखने वाले developers के बीच सबसे बड़े अंतर model performance की कमी +12%p, existing system integration +11%p, और maintenance·updates +10%p हैं
    • documentation की कमी, deployment·hosting·scaling, और model evaluation·comparison में प्रत्येक +8%p का अंतर है
    • fine-tuning·customization में +4%p का अंतर है, जबकि infra cost और security·privacy·regulatory compliance में कोई अंतर नहीं है, और lack of expert support -2%p है
    • छोड़ने और जारी रखने का फ़र्क़ pure model capability से अधिक integration, operations और maintenance पर केंद्रित है
  • वर्तमान या पूर्व open model developers के 1,410 लोगों के क्षेत्रवार विश्लेषण में कुल बाधाएँ infra·compute cost 27%, security·privacy·regulatory compliance 26%, maintenance 24%, deployment·hosting·scaling 23%, और expert support की कमी 22% रहीं
    • South Asia में security·regulatory compliance 39% और expert support 31% विशेष रूप से ऊँचे हैं
    • केवल North America 21% और Greater China 16% में ही 15% से अधिक respondents ने कहा कि कोई बड़ी समस्या नहीं है
    • Oceania का 39 लोगों का sample और Eastern Europe·CIS का 98 लोगों का sample विश्वसनीय मानक से छोटे हैं

open AI stack का operational gap

  • Mozilla के जून 2026 stack map ने 9 layers, 48 components और 1,361 projects का 10 maturity criteria के आधार पर 1 से 5 तक score किया
  • capability स्वयं ऊँची है, लेकिन लगभग सभी layers और components में standardization और enterprise operational readiness सबसे कम पाई गई
  • open stack की सामान्य bottleneck model quality नहीं बल्कि standardization और enterprise operational readiness है, और deployment, integration, support तथा governance tools अभी अधूरे हैं

ओपन सोर्स AI की व्यावसायिकता और लागत संरचना

  • open weight AI कई सौ अरब डॉलर के व्यावसायिक बाज़ार में बढ़ चुका है, और साबित revenue model hosted inference·enterprise platform·on-premise license·fine-tuning service·harness tool ये पाँच हैं
  • प्रमुख कंपनियाँ निवेश, revenue और listing चरण तक फैल रही हैं
    • Databricks का annualized revenue 5.4 अरब डॉलर से ऊपर पहुँच गया है और यह pre-IPO चरण में है
    • DeepSeek ने लगभग 22 करोड़ डॉलर का annual recurring revenue (ARR), 7.4 अरब डॉलर की public funding, और 50 अरब डॉलर से अधिक valuation दर्ज किया है
    • Mistral AI ने 12 महीनों में 20 गुना वृद्धि करके लगभग 40 करोड़ डॉलर ARR हासिल किया, public funding 3.05 अरब डॉलर है, valuation लगभग 14 अरब डॉलर है, और 20 अरब यूरो स्तर के निवेश पर भी बातचीत चल रही है
    • Moonshot AI ने 3.9 अरब डॉलर जुटाए, Reflection AI और Cerebras ने क्रमशः लगभग 2.1 अरब डॉलर, Cohere ने 1.7 अरब डॉलर, और Together AI ने 1.334 अरब डॉलर जुटाए
    • Baseten 58.5 करोड़ डॉलर, Black Forest Labs 45 करोड़ डॉलर, Hugging Face 40 करोड़ डॉलर, Modular 38 करोड़ डॉलर, Fireworks AI 32.7 करोड़ डॉलर, Anyscale 28.1 करोड़ डॉलर, LangChain 26 करोड़ dollar, Stability AI 23 करोड़ डॉलर की public funding हासिल कर चुके हैं
    • Zhipu AI और MiniMax ने public funding total का खुलासा नहीं किया और 2026 में Hong Kong IPO के जरिए list हुए
    • Nvidia, Salesforce, AMD, Google, IBM, ASML, Tencent, CATL, Schwarz Group भी model, inference और tool layer की कंपनियों का समर्थन कर रहे हैं
  • Cohere enterprise और on-premise business चलाता है और मई 2026 में Command A+ को open source के रूप में जारी किया; LangChain ने GitHub पर 126,000 से अधिक stars और 60% developer share दर्ज किया
  • बड़े पैमाने के उपयोग में closed model का token-based pricing budget समस्या बन जाता है
    • Microsoft ने देखा कि token fees कुछ ही महीनों में सालाना AI budget खत्म कर रही थीं, इसलिए 30 जून 2026 तक Claude Code licenses का अधिकांश हिस्सा रद्द कर दिया, और भारी Copilot workloads के लिए secure Azure-hosted DeepSeek V4 पर विचार किया
    • Uber ने 2026 का AI coding budget 4 महीनों में ही खर्च कर देने के बाद tool और employee, दोनों स्तरों पर monthly spend को 1,500 डॉलर तक सीमित कर दिया
    • Stripe ने vLLM पर open models serve करके, पहले के GPU की संख्या के एक-तिहाई पर रोज़ 5 करोड़ API calls संभाले और inference cost 73% घटाई
    • open weight self-hosting supplier-controlled variable operating cost को enterprise-owned fixed cost में बदल देता है
  • मई–सितंबर 2025 के दौरान OpenRouter में open models ने usage का लगभग 20% लिया, लेकिन model layer revenue का केवल लगभग 4% ही पाया
    • समान क्षमता में closed models की प्रति call कीमत लगभग 6 गुना अधिक थी
    • Linux Foundation की Nagle–Yue research ने इस price gap के कारण unrealized annual savings potential को लगभग 24.8 अरब डॉलर आंका
    • open model usage बढ़ने पर भी, अगर model layer commoditized हो जाती है तो मुनाफ़ा platform और harness जैसे ऊपरी layers में जमा होता है

राष्ट्रीय संप्रभुता और supplier छोड़ने की क्षमता

  • 70 से अधिक राष्ट्रीय AI strategies लागू होने के साथ, policy का फोकस इस सवाल से हटकर कि किसी देश के पास राष्ट्रीय रणनीति है या नहीं, इस पर आ गया है कि stack की कौन-सी layer उसका स्वामित्व में हो सकती है
  • जून 2026 में Claude Fable 5 launch के तीन दिन बाद, एक सरकारी export order के कारण Anthropic ने दुनिया भर के foreign nationals की access block kar di; इस घटना ने supplier control की सीमा दिखा दी
    • selective compliance संभव नहीं थी, इसलिए शुक्रवार शाम 5:21 बजे सभी लक्षित users के models बंद हो गए और उन models पर निर्भर users बिना पूर्व चेतावनी प्रभावित हुए
    • supplier hosted model को बंद कर सकता है, लेकिन user के अपने hardware पर चल रही weights की copy को remotely बंद नहीं कर सकता
    • enterprises के लिए disk पर stored weights risk-avoidance का साधन हैं, और देशों के लिए यह स्वतंत्र policy तथा बाहरी अनुमति के बीच का अंतर बनाते हैं
  • cloud युग का vendor lock-in पहले ही ऊँची exit cost दिखा चुका है
    • AWS S3 से 1PB data बाहर निकालने की लागत 90,000~120,000 डॉलर है
    • 80% enterprises workloads को वापस अपने environment में ला रहे हैं
    • 37signals ने cloud छोड़कर annual cost को 32 लाख डॉलर से घटाकर 10 लाख डॉलर से कम कर दिया
    • GEICO की cloud लागत योजना से 2.5 गुना अधिक थी
    • proprietary API पर बने systems भी price changes को वैसे ही झेलते हैं और साफ़-सुथरे तरीके से निकलना मुश्किल होता है, इसलिए open weights supplier को छोड़ने का अधिकार देते हैं
  • मार्च 2026 तक Hugging Face cumulative downloads में Alibaba Qwen 942M और Meta Llama 476M रहे, जिससे चीन सबसे बड़ा open weight supplier बन गया
    • फरवरी 2026 में Qwen के downloads अगले 8 संगठनों को मिलाकर भी अधिक थे
    • चीनी open weight models का OpenRouter token share 2024 के अंत में 2% से कम से बढ़कर अप्रैल 2026 के weekly traffic में 45% से अधिक हो गया, और usage के शीर्ष 10 models में इसका हिस्सा लगभग 61% था
    • DeepSeek के पास 26,000 से अधिक enterprise accounts हैं और 2025 में 58% नई AI startups ने इसे अपने stack में शामिल किया, लेकिन कम से कम 8 jurisdictions ने इसकी hosted service को सीमित किया
    • enterprises hosted app पर रोक लगाते हुए भी weights को self-host कर रहे हैं या western endpoints के ज़रिए उपयोग कर रहे हैं, यानी दोनों फैसले साथ-साथ चला रहे हैं
  • चीन का open source प्रसार अगस्त 2025 में State Council की AI Plus Initiative और मार्च 2026 की national Five-Year Plan में शामिल policy का हिस्सा है
    • public weights semiconductor export controls का जवाब देने के साथ-साथ inference का बोझ दुनिया भर के users के local hardware पर बाँटने का भी काम करते हैं
    • Global South में अमेरिकी tech monopoly से निकलकर suppliers को diversify करने की मांग है, जबकि दूसरे क्षेत्रों में लागत मुख्य प्रेरक है

Agent harness: प्रतिस्पर्धा की नई परत

  • जैसे browser open web में user agent था जो user की ओर से server से बातचीत करता था, वैसे ही model के ऊपर agent harness orchestration, tools, memory, sandbox और permissions संभालता है
  • harness stack model से लेकर user और governance तक कई परतों से बना है
    • Control layer: LangGraph, CrewAI, AutoGen और LlamaIndex reasoning और action के iterative loop के ज़रिये model को agent में बदलते हैं
    • Connection layer: MCP tools और context के लिए, A2A agents के बीच communication के लिए, और Mem0·Letta·Zep memory के लिए हैं
    • Action layer: E2B·Daytona·Modal sandbox और execution देते हैं, जबकि permissions और identity अब भी अनसुलझा write domain बने हुए हैं
    • Evaluation·Observation layer: Langfuse और Phoenix execution results और behavior को track करते हैं
    • User·Payment layer: AG-UI·A2UI interface संभालते हैं, और x402·AP2·UCP payments और metering के लिए हैं
    • Governance layer: Meta-harness, Omnigent, OPA और Agent governance toolkit कई harnesses में state-based policy, registry, lineage, budget और cancellation को integrate करते हैं
  • MCP ने पहले ही साल में monthly SDK downloads 97M और 10,000 से अधिक active servers तक पहुंच बनाई, 16 महीनों में 4,750% growth दर्ज की, और दिसंबर 2025 में Linux Foundation की Agentic AI Foundation को दान किया गया
    • enterprises में mature agent governance रखने वालों का अनुपात सिर्फ लगभग 21% है, यानी adoption की रफ्तार control systems से तेज है

  • Model और harness का vertical integration

    • Terminal-Bench 2.0 में मई 2026 में third-party harness ने उसी Anthropic weights के साथ 79.8% स्कोर किया, जो Claude Code के 58.0% से 21.8%p आगे था
    • 8 हफ्ते बाद Terminal-Bench 2.1 में labs ने harness को in-house कर लिया और ranking उलट गई
    • Codex CLI और GPT-5.5 का combination 83.4% पर रहा, जबकि Claude Code और Claude 5 Fable का combination 83.1% पर रहा
    • वही Fable 5 इस्तेमाल करने वाला शीर्ष independent harness 80.4% पर रहा, जिससे सबसे ऊपर का gap घटकर करीब 3%p रह गया
    • तुलना योग्य सभी models में lab-owned harness ने independent harness को पीछे छोड़ा
    • model और harness को साथ optimize करने से performance बढ़ती है, लेकिन दूसरे model पर switch करते समय performance गिरती है, इसलिए optimization के उप-उत्पाद के रूप में lock-in पैदा होता है
    • open models के लिए इसका मुकाबला करने वाला first-party harness नहीं है, इसलिए वे Terminal-Bench 2.1 की official validation top tier में नहीं दिखते
    • neutral harness में तुलना करें तो Claude Opus 4.8 ने $2.41 प्रति task पर 71.9%, Opus 4.7 ने $1.98 पर 68.5%, और open model GLM 5.2 ने $0.43 पर 67.8% दर्ज किया
    • open model, Opus 4.7 से थोड़ा पीछे और Opus 4.8 से लगभग 4%p पीछे है, लेकिन cost करीब पांचवें हिस्से जितनी है
    • lab-owned harness से पैदा होने वाला real-world usage data अगले model में लौटकर data flywheel बनाता है, और अगर कोई अपनी stack में harness own करता है तो वही data सीधे उसके पास रहता है

  • अनसुलझी write permissions

    • read operations जैसे document retrieval, database queries और schedule lists को वापस लिया जा सकता है और इनके results अपेक्षाकृत छोटे होते हैं, इसलिए इन्हें default allow किया जा सकता है
    • write operations जैसे messages भेजना, budget खर्च करना, records बदलना और transactions चलाना महंगे हो सकते हैं या irreversible होते हैं, इसलिए confirmation, approval thresholds, spending caps और cancel functions को यहीं केंद्रित होना चाहिए
    • करीब 12 frameworks, 10 harnesses और 3 peer protocols मौजूद हैं, लेकिन MCP hosts, A2A peers, direct tool calls और framework boundaries को कवर करने वाला portable write permission model नहीं है
    • MCP 2025-11-25 spec ने authentication को OAuth 2.1 पर शिफ्ट किया, और A2A v1.0 ने signed Agent Card को standardize किया, लेकिन दोनों identity verification पर ही रुक जाते हैं
    • identity verify कर लेने के बाद भी यह तय नहीं होता कि agent क्या execute कर सकता है
    • CoSAI का MCP threat model consent fatigue को top-tier threat मानता है, जिसमें users ज़्यादातर approval requests को बिना सोचे allow कर देते हैं
    • Databricks के open source Omnigent जैसे meta-harness, individual agents के prompt filters के बजाय session state को track करते हैं और अगली write action को control करते हैं
    • अगर unverified package download करने के बाद code push की कोशिश हो, तो यह human approval मांग सकता है
    • तय रकम खर्च होने पर session को pause करने वाली cost cap भी लागू की जा सकती है
    • कई harnesses के ऊपर write domain को control करने वाली layer ही sustainable permission model बनने का बिंदु है

  • Security और closed models की बची हुई बढ़त

    • filtering, monitoring और cancellation, weights को private रखने की नहीं बल्कि service और harness layer की क्षमताएं हैं, और इन्हें self-hosted open models पर भी लागू किया जा सकता है
    • 2025 में Anthropic, Microsoft, ServiceNow और Salesforce के closed systems में भी CVSS 9.3~9.4 privilege vulnerabilities सामने आईं
    • NTIA ने अमेरिकी सरकार द्वारा open weights को restrict करने की समीक्षा के बाद restrictions के बजाय monitoring की सिफारिश की
    • closed systems अब भी चार क्षेत्रों में आगे हैं
      • integrated harness और उसके पीछे का data flywheel
      • 10 लाख token long-context retrieval में Gemini 3 की multi-needle retrieval 89% और DeepSeek V4-Pro के 41% के बीच का gap
      • SOC 2, HIPAA और default data non-retention के साथ out-of-the-box compliance
      • ऐसा contractual counterparty जिसे customer जवाबदेह ठहरा सके
    • compliance और accountability contract का मुद्दा हैं, integrated harness tool का मुद्दा है, और long-context fidelity model का मुद्दा है जिसे open labs को खुद हल करना होगा

openness बनाए रखने के लिए पांच निवेश

  • Open harness बनाना: Codex और GPT-5.5 की तरह open weights के साथ co-design किए गए general-purpose या industry-specific harness बनाने होंगे
    • यह वह समय है जब closed labs के model और harness को एक single rental product में पूरी तरह जोड़ देने से पहले निर्माण किया जा सकता है
  • Memory की ownership: जैसे-जैसे weights की कीमत 0 के करीब जाएगी, model interchangeable component बन जाएगा और accumulated context वाली memory compound growth वाली asset बन जाएगी
    • इसे अपनी firewall के पीछे portable और append-only format में store करना चाहिए; access खत्म होने के बाद कई साल का context फिर से recover नहीं किया जा सकता
  • Portable permissions का समाधान: MCP, A2A, direct tool calls और framework boundaries के पार unattended allow, human approval और forbidden writes को अलग करने वाला standard चाहिए
    • जब तक meta-harness की state-based write policies आकार ले रही हैं, अगर open standard नहीं आया तो closed platforms ही rules तय करेंगे
  • Usage-based pricing से बाहर निकलना: closed और open models की सीधी तुलना करें, open interface के पीछे दूसरा model standby में रखें, और जहां load predictable हो वहां self-hosting करें
    • suppliers की listing और discounts खत्म होने के बाद 2027~2028 के आसपास शुरुआती pricing समाप्त होने की उम्मीद है, इसलिए switching आसान और सस्ती रहते हुए dual source तैयार करना चाहिए
  • Multi-vendor को default बनाना: अगर ecosystem एक ही open vendor पर केंद्रित हो गया, तो उसे shared resource कहना मुश्किल होगा
    • 47 देश cross-border data processing को restrict करते हैं और 70 से अधिक national strategies लागू हैं
    • Europe EUROPA में निवेश कर रहा है, Canada ने $890 million तय किए हैं, और India ने 38,231 GPUs नामित किए हैं
    • अगर public funding long-term development को सहारा नहीं दे पाती, तो open ecosystem भी single source की ओर सिमट सकता है

आगे भी देखते रहने वाले संकेत

  • क्षमता और अपनाना: 3.3% क्षमता अंतर, coding में बराबरी होती है या नहीं, reasoning·agent अंतर, और OpenRouter में agent coding token हिस्सेदारी को ट्रैक करना होगा
    • अगर open token हिस्सेदारी ठहर जाती है और reasoning अंतर बढ़ता है, तो मौजूदा रुझान पलट जाएगा
  • harness: lab-स्वामित्व वाले harness और स्वतंत्र harness के बीच Terminal-Bench अंतर, AAIF के नीचे MCP·A2A governance, और अब तक न होने वाली portable permission specification प्रमुख हैं
    • अगर lab harness की बढ़त बढ़ती है या बंद platform पहले permission standard तय कर देते हैं, तो open layer कमजोर हो जाएगी
  • बाज़ार संरचना: open labs का ARR·investment·Zhipu और MiniMax IPO, 2027~2028 का usage-based pricing inflection point, और national sovereign computing investment को साथ में देखना होगा
    • अगर सरकारी फंडिंग रुक जाती है या open labs की अर्थव्यवस्था scale नहीं कर पाती, तो टिकाऊ बाज़ार बनना मुश्किल होगा
  • विश्वसनीयता और सुरक्षा: open weights की misuse क्षमता, safety fine-tuning हटाने की आसानी, synthetic CSAM और non-consensual intimate imagery (NCII), और NTIA की restriction के बजाय monitoring नीति को ट्रैक करना होगा
    • बड़े misuse incident या policy का restriction-केंद्रित रुख खुली deployment environment को बदल सकता है
  • जब AI decision-making process में openness·portability·व्यापक deployment की जिम्मेदारी संभालने वाले पक्षों को समान दर्जा मिलेगा, तब बाज़ार model को किराए पर लेने वाली संरचना से सीधे स्वामित्व वाली संरचना की ओर बढ़ेगा

संबंधित पढ़ाई

2 टिप्पणियां

 
shakespeares 2 시간 전

लगता है फिर से Loop Engineering में जा रहे हैं।
 
GN⁺ 4 시간 전
Hacker News की राय

  • ओपन मॉडल Anthropic और OpenAI को हिला सकते हैं। हाइपरस्केल cloud कंपनियां license लागत के बिना मॉडल चला सकती हैं, और Apple मॉडल को छोटा करके उसे सीधे device पर चला सकता है
    स्टेट-ऑफ-द-आर्ट मॉडल एक तरफ प्रतिस्पर्धी बढ़त हैं, तो दूसरी तरफ बोझ भी। training cost खगोलीय है, लेकिन development रोकते ही मॉडल भुला दिए जाते हैं, और फिर यह मान्यता बेचने के लिए marketing पर निर्भर होना पड़ता है कि हर मॉडल सच में अलग है। अब यह भी संदेह है कि मॉडलों में कोई बड़ा फर्क बचा है या नहीं; असली चीज़ शायद execution framework है, जो random और hallucination करने वाले मॉडल को deterministic और उपयोगी बनाता है

    • यह निष्कर्ष संभव तो लगता है, लेकिन चीनी कंपनियों के open-weight model सिद्धांतगत पसंद कम और पश्चिमी बाजार तक पहुंच में अपनी कमजोरी दूर करने की रणनीति ज़्यादा लगते हैं
      अगर बाज़ार की स्थिति बदले तो वे Meta की तरह फिर से बंद हो सकते हैं, और अगर training cost बढ़ती रही तो open-weight strategy आर्थिक रूप से टिकाऊ है या नहीं, इस पर भी संदेह है
    • ओपन मॉडल भी भले तुलनात्मक रूप से छोटे हों, फिर भी उनकी training cost खगोलीय होने की पूरी संभावना है। कम compute में ज़्यादा performance निकालने का प्रोत्साहन बहुत मजबूत है, और frontier model की distillation से efficiency बढ़ाई जा सकती है
      फिर भी बड़े संगठनों को भारी पूंजी और compute resources लगाने पड़ते हैं और बदले में revenue छोड़ना पड़ता है; ऐसी उदारता हमेशा नहीं चल सकती। सवाल यह है कि frontier model का business model पहले टूटेगा या तेज़ पीछा करने वालों का मुफ्त निवेश
    • सभी मॉडलों का token लागत के मुकाबले ROI संदिग्ध है, लेकिन जो खर्च हो चुका है वह sunk cost है
      तस्वीर ऐसी लगती है कि self-improving superintelligence हासिल न हुई तो असफलता तय है। अगर superintelligence मिलती है तो frontier model तेज़ exponential growth से आगे निकल जाएंगे; नहीं तो तेज़ पीछा करने वाले भारी निवेश को मात दे देंगे और बचाव की दीवार भी खत्म हो जाएगी। यह semiconductor में Moore's law से आगे बढ़ते silicon को GaAs के न पकड़ पाने जैसी स्थिति है, और copyright लागू करना भी मुश्किल है
    • फिलहाल hardware लागत की वजह से open source model व्यावहारिक नहीं लगते। hobbyist developers और power users इन्हें इस्तेमाल करते रहेंगे, लेकिन जिन frontier model कंपनियों के पास hardware की पहुंच है, वे लगभग पूरा बाज़ार नियंत्रित कर सकती हैं
    • यह भी संदेह है कि frontier model की training cost सच में इतनी खगोलीय है या नहीं। GLM 5.2 को लगभग 30 ट्रिलियन token, यानी लगभग (10^{25}) FLOPs पर train किया गया था
      अगर B300 को $5 प्रति घंटा जैसी ऊंची कीमत पर लिया जाए और MFU 50% माना जाए, तब भी लागत करीब $15 million बैठती है। training failure risk और आगे की training लागतें जरूर हैं, लेकिन बाद की inference लागत से तुलना करें तो यह उतनी बेहिसाब रकम नहीं लगती

  • ठीक 4 महीने पहले OpenRouter market share में closed model 60% और open model 40% थे, लेकिन अब open model 63% तक पहुंचकर आगे निकल गए हैं। 19 मार्च को open model का कुल throughput 888 billion token था, और कल यह 4.19 trillion token था — यानी सिर्फ 4 महीने में 5 गुना वृद्धि
    OpenRouter data के आधार पर रोज़ अपडेट होने वाला dashboard भी बनाया गया है: https://dirac.run/labs-market-share

    • सिर्फ OpenRouter के आधार पर पूरे बाज़ार को समझना मुश्किल है। OpenAI, Anthropic, और Google model के उपयोगकर्ता संभवतः उन कंपनियों की API सीधे इस्तेमाल करते हैं, इसलिए वे इन आंकड़ों में शामिल नहीं होते
      फिर भी OpenRouter पर open model usage की बढ़त देखना बहुत दिलचस्प है
    • मैं model-wise stats के साथ performance और cost classification भी देखना चाहता था, लेकिन ऐसा पहले से देने वाली एक जगह मौजूद है: https://artificialanalysis.ai/
    • आंकड़े दिलचस्प हैं, लेकिन मेरा मानना है कि धीरे-धीरे ज़्यादा usage subscription products की तरफ जा रहा है, जो इस metric में नहीं दिखता। personal और company use, दोनों में हमने वास्तव में यही बदलाव किया है
    • Claude इस्तेमाल करते हुए OpenRouter लेने की कोई खास वजह मुझे समझ नहीं आती
    • बाद में पीछे मुड़कर देखने पर शायद यह आंकड़ा closed model के पतन का शुरुआती संकेत माना जाएगा
      अगर आप असहमत हैं, तो मैं जानना चाहूंगा कि इन कंपनियों के पास बचाव की कौन-सी moat है। OpenAI और Anthropic के भारी खर्च को देखकर भी मुझे कोई ठोस moat बिल्कुल नहीं दिखती, और यह निराशाजनक है

  • जाहिर है, यह लेख LLM द्वारा बनाई गई शैली में लिखा गया है: https://www.pangram.com/history/29a71663-e6b2-4db6-87bd-b943...
    समझ नहीं आता कि अधिकारी ऐसे लेखों पर अपना नाम क्यों लगाते हैं। शायद यह उसी पुरानी परंपरा का स्वाभाविक विस्तार है, जिसमें वे secretary के लिखे draft या PR टीम की press release पर हस्ताक्षर कर देते थे
    अगर HN text-heavy पोस्टों पर, कम से कम front page तक पहुंची पोस्टों पर, Pangram को अपने आप चलाए, तो शायद community culture के लिए अच्छा होगा। मैं खुद browser plugin इस्तेमाल करता हूं, लेकिन comments देखकर लगता है कि कुछ लोग AI-generated होने की बात पकड़ ही नहीं पाते

    • अगर लागत की चिंता है, तो Pangram को सिर्फ उन पोस्टों पर अपने आप चलाया जा सकता है जिन्हें एक तय संख्या से ज़्यादा recommendation मिले हों या जो front page पर पहुंची हों
      पाठकों के बीच बारी-बारी से जांच होने देने से बेहतर है कि content aggregator site AI जांच को automate करे। हाल में Manifund ने भी Pangram auto-check लागू किया है, और मेरी जानकारी में LessWrong कुछ समय से यह feature इस्तेमाल कर रहा है
    • यह site के लिए बहुत मददगार होगा, लेकिन Pangram गलत होने के लिए बदनाम है

  • यह presentation material पढ़ना तकलीफ़देह है। इसमें बहुत सारे chart हैं जिनका आसपास के लेख से लगभग कोई संबंध नहीं, और यह LLM द्वारा कल्पना की गई CTO presentation जैसा लगता है। फिर भी शायद लोगों को लगता है कि यह CTO slide deck जैसा दिखता है, इसलिए यह ‘HIGH IMPACT’ है
    अगर Mozilla के CTO ने अपना analysis खुद सीधे और साफ़ तरीके से रखा होता, तो वह कहीं बेहतर होता

  • मैं broadly open model के प्रसार के पक्ष में हूं, इसलिए इसे गंभीरता से लेना चाहता हूं, लेकिन इसमें AI द्वारा लिखे होने की छाप इतनी साफ़ है कि मुश्किल हो जाती है। लगता है उन्होंने ऐसे लेख लिखने वाले लोगों को ही निकाल दिया
    मैं सिर्फ मज़ाक नहीं उड़ा रहा; मेरा मानना है कि आसानी से पहचानी जाने वाली AI शैली कुछ पाठकों को तुरंत दूर कर देती है, जिससे लेख का तर्क कमजोर पड़ता है और उलटा असर होता है

    • “Parity reached. The contest is one layer up.” पढ़कर उल्टी जैसा महसूस होता है
    • शायद AI शैली से ऊब चुका हूं, लेकिन ऐसे लेख बिलकुल भी सच्चे नहीं लगते

  • “Mozilla इसलिए मौजूद है क्योंकि एक कंपनी वेब के मुख्य प्रवेशद्वार पर एकाधिकार करना चाहती थी, और इसे रोकने के लिए ओपन कम्युनिटी खड़ी हुई” — लेकिन आज Firefox की हिस्सेदारी देखें तो वेब का मुख्य प्रवेशद्वार असल में Google और Apple के पास है
    यह संभव है कि भविष्य में कुछ गिने-चुने ओपन मॉडल बाकी ecosystem की भटकन पर नियंत्रण रखने के लिए पर्याप्त हों, लेकिन यह लेख शायद वह तर्क नहीं दे रहा

    • यह सिर्फ सुविधाजनक हिस्सों को चुनकर बनाई गई कहानी है। एक कंपनी ने वेब के मुख्य प्रवेशद्वार पर कब्जा किया, दूसरी कंपनी ने अपने market position का दुरुपयोग कर मुफ्त browser को आगे बढ़ाया, और Mozilla पहली कंपनी की राख से फिर जीवित हुआ
      उसके बाद एक और कंपनी ने अपने market position का इस्तेमाल कर मुफ्त browser फैलाया और Firefox की हिस्सेदारी तोड़ दी, लेकिन इसे monopoly जैसा न लगे इसलिए Mozilla को पैसे देती रही
    • Mozilla के बने रहने की असली वजह यह है कि Google उसे अपने default search engine बने रहने के बदले अरबों डॉलर देता है

  • यह देखना दिलचस्प है कि Mozilla हर तरह का काम कर रहा है ताकि वह नए trends के पीछे न छूटे, फिर भी developers और power users के लिए एक सही privacy browser नहीं बनाता

    • Firefox की AI Chatbot सुविधा में ओपन मॉडल provider के रूप में सिर्फ Mistral का सुझाव है, और local run का कोई विकल्प नहीं है। बात और काम में मेल नहीं है
    • Mozilla हर साल 50 करोड़ डॉलर लेता है, और बदले में वही करता रहता है जो अभी कर रहा है, जबकि Firefox की हिस्सेदारी desktop पर 5% से कम और mobile पर लगभग 0% पर अटकी रहती है
    • फिर भी वह सभी source code उपलब्ध कराता है ताकि ये projects बढ़ सकें, और Librefox, Iceweasel, Reynard जैसी अपनी ecosystem भी बन चुकी है
    • पहले मैं भी ऐसा ही सोचता था, लेकिन अब लगता है कि Firefox ने 2026 में काफ़ी प्रगति की है
      Mozilla की AI strategy से भी अब सहमति होने लगी है। खुद model बनाने या घटिया AI content बेचने के बजाय वह open source compatibility layer बना रहा है, इसलिए इसका approach अव्यावहारिक नहीं लगता
      मैं AI की vertically locked-in दुनिया नहीं चाहता, और अगर Mozilla open source AI में अपनी पुरानी strategy सचमुच दोहरा सके तो उससे सबको फायदा होगा
    • Firefox खुद general-purpose browser है, और अगर उसे बड़े बाजार तक पहुँचना है तो शायद यही बेहतर है। दूसरे developers Firefox engine पर power users के लिए browser बना रहे हैं
      हाल में मुझे Zen बहुत पसंद आने लगा है, लेकिन दो महीने इस्तेमाल करने के बाद भी pinned tabs फीचर अभी भी थोड़ा उलझाने वाला लगता है: https://zen-browser.app/

  • https://stateofopensource.ai/state-of-open-source-ai-2026.pd... का PDF संस्करण पढ़ने में अधिक आसान है

  • यह अफ़सोसजनक है कि ऐसे वास्तव में ओपन मॉडल के आसपास लगभग कोई कम्युनिटी नहीं दिखती, जो source data और training methodology दोनों प्रकाशित करे ताकि पर्याप्त संसाधन होने पर उन्हें सच में दोहराया जा सके। ‘ओपन’ शब्द के अर्थ को हैरान करने वाली हद तक पतला होने दिया गया है

  • डिज़ाइन और layout अनावश्यक रूप से पढ़ने में कठिन हैं, लेकिन inference cost का लगभग 50 गुना गिरना सचमुच चौंकाने वाला है। Kimi K3 की रिलीज़ देखें तो ओपन मॉडल पहले ही state-of-the-art स्तर के काफ़ी करीब पहुँच चुके हैं
    open source AI, Anthropic और OpenAI की अपेक्षा से कहीं अधिक तेज़ी से आगे बढ़ रहा है