Kimi K3·Qwen 3.8 और Anthropic में संभावित दरार

 (emergingtrajectories.com)
3 पॉइंट द्वारा GN⁺ 13 시간 전 | 1 टिप्पणियां | WhatsApp पर शेयर करें
  • Moonshot Labs के Kimi K3 और Alibaba के Qwen 3.8 के बारे में बताया गया है कि वे Anthropic Fable 5 के करीब प्रदर्शन देते हैं, और कुछ हफ्तों में उनके weights भी जारी होने वाले हैं, जिससे frontier model competition open models तक फैल रही है
  • Model development के लिए research talent, compute और बिजली की जरूरत होती है, लेकिन deployment के बाद inference की marginal cost मुख्य रूप से compute और बिजली से आती है। Data center और power generation facilities का ownership होने पर इन्हें fixed costs में बदला जा सकता है, जिससे usage बढ़ने के साथ margin बढ़ाना संभव होता है
  • Infrastructure के बिना model-only कंपनियों को या तो best performance पर, या कम कीमत में पर्याप्त quality पर निर्भर रहना पड़ता है। Breakthrough के रास्ते recursive self-improvement, regulation के जरिए market closure, और ऐसे products बनाने तक सीमित हो जाते हैं जिन्हें copy करना मुश्किल हो
  • Anthropic के Fable 5 की cost per completed task लगभग 3 गुना ज्यादा है, और Claude Code·Cowork जैसे harnesses भी OpenCode·OpenClaw·Hermes से compete करते हैं। Model, product और cost structure पर एक साथ challenge आ रहा है, जिससे unbundling risk बढ़ता है
  • जून–जुलाई 2026 में GLM 5.2, Kimi K3, Qwen 3.8 के लगातार आने से कई labs की catch-up क्षमता साबित हुई। यह Anthropic·Moonshot Labs·Knowledge Atlas जैसे model-centric operators की defensibility को कमजोर करता है

Frontier competition का open models तक विस्तार

  • Kimi K3 16 जुलाई 2026 को launch हुआ, और Qwen 3.8 की घोषणा 19 जुलाई को हुई
    • बताया गया है कि दोनों models Anthropic के Fable 5 के करीब performance देते हैं
    • Model weights कुछ हफ्तों में जारी होने वाले हैं
  • Knowledge Atlas का GLM 5.2 भी जून के मध्य में launch हुआ top-tier open model है
  • यह trend 2025 के single ‘DeepSeek moment’ से ज्यादा व्यापक है
    • यह दिखाता है कि कई labs Anthropic·OpenAI जैसी deep-pocketed कंपनियों के साथ-साथ Meta और SpaceX के Grok तक का पीछा कर सकते हैं
    • Competition और catch-up बार-बार दोहराने वाला pattern दिख रहा है, और cost को भी ध्यान में रखें तो भविष्य में performance reversal भी संभव है

Foundation models की cost structure

  • Model बनाने के लिए research talent, chips·data centers जैसे compute resources, और इन्हें चलाने के लिए बिजली की जरूरत होती है
  • तैयार model में सबसे बड़ा खर्च users को model इस्तेमाल कराने वाली inference stage में आता है
    • Inference stage में भी talent, compute और बिजली लगती है
    • Model को लगातार update नहीं किया जाता, इसलिए training की तुलना में labor cost का हिस्सा कम होता है, और marginal cost का ज्यादातर हिस्सा compute और बिजली पर केंद्रित होता है
  • Inference business को बिजली और data center costs optimize करनी होती हैं, और value chain का जितना ज्यादा ownership हो, variable costs को fixed costs में उतना ज्यादा बदला जा सकता है

Infrastructure ownership की सीमा margins तय करती है

  • Anthropic, Knowledge Atlas, Moonshot Labs अपने data centers या power plants के बिना data centers और बिजली बाहर से procure करते हैं
  • Meta और Alibaba data centers खुद build करते हैं, लेकिन बिजली दूसरे suppliers से खरीदते हैं
  • SpaceX power generation facilities और data centers दोनों own करने का तरीका अपनाता है
  • बाहरी data centers और बिजली पर निर्भर कंपनियां customers की inference cost पर margin जोड़कर revenue कमाती हैं
    • Cost revenue के साथ बढ़ती है, इसलिए usage बढ़ने पर भी margin expansion मुश्किल होता है
  • Power plants या data centers का ownership होने पर inference cost का बड़ा हिस्सा fixed cost बन जाता है, जिससे customer usage बढ़ने के साथ margins बढ़ाए जा सकते हैं

Infrastructure से strategic options बढ़ते हैं

  • Infrastructure stack का जितना ज्यादा ownership हो, उस infrastructure को खुद monetize किया जा सकता है
    • अपना model best न हो तब भी high-performing open-source models host किए जा सकते हैं
    • owned hardware को दूसरी कंपनियों को lease करना भी संभव है
  • बताया गया है कि Meta, Anthropic को server capacity देने के लिए 10 अरब डॉलर के contract पर चर्चा कर रहा है
  • SpaceX ने Google के साथ cloud contract sign किया है, और अमेरिकी रक्षा विभाग को computing performance देने के विकल्प पर भी चर्चा चल रही है
  • Data centers या power generation facilities न हों, तो सफलता model demand पर निर्भर करती है
    • Model या तो best-performing होना चाहिए, या सस्ता और फिर भी पर्याप्त अच्छा
    • लगातार inference prices घटाने या best model provider की position बचाए रखने वाली competition में फंसना पड़ता है

Model-only कंपनियों के survival के तीन रास्ते

  • Anthropic, OpenAI, DeepSeek, Moonshot Labs, Knowledge Atlas अगर लगातार lead maintain नहीं कर पाते, तो hypercompetitive foundation model market में survive करना मुश्किल होगा
  • Models पर focus करने वाली कंपनियों के जीतने के तीन रास्ते हैं
    1. पर्याप्त compute resources के साथ recursive self-improvement पहले हासिल कर competitors से बहुत आगे निकलना
    2. Regulation के जरिए market बंद करना
    3. ऐसा product बनाना जो इतना unique हो या users को इतना strongly retain करे कि उसे copy न किया जा सके

Anthropic की cost और regulatory strategy

  • Anthropic frontier model labs में regulatory strategy और recursive self-improvement पर सबसे ज्यादा निर्भर है
  • Fable और Mythos की self-censorship में दिखा ethics-centric approach regulatory strategy से जुड़ा है
    • इसके बाद अमेरिकी सरकार की actions के कारण additional launches भी restrict हुए
  • Model performance में यह lead बनाए रखता है, लेकिन OpenAI और open models की तुलना में pricing बहुत ज्यादा है
    • Artificial Analysis comparison में Fable 5 की cost per completed task लगभग 3 गुना है
    • Users बेहतर model के लिए यह price चुकाएंगे या नहीं, यह अभी साबित नहीं हुआ है
  • कुछ researchers और founders competition फैलने और prices को reflect न करने वाले AI benchmarks के saturation के कारण price war की उम्मीद करते हैं

Harness competition और unbundling pressure

  • Anthropic ने Claude Code और Cowork जैसे products में invest किया है, लेकिन agent harness-centric strategy में risk है
  • OpenCode, OpenClaw, Hermes और कई harness startups इसी area में innovation कर रहे हैं
  • Foundation model building की entry barrier बहुत ऊंची है, लेकिन अपना AI harness launch करने की entry barrier लगभग नहीं है
  • Anthropic पर तीन दिशाओं से unbundling pressure है
    • Model वह benchmark बन जाता है जिसे competitors को पार करना है
    • Product पर closed-source और open-source competitors से बढ़ती चुनौती आती है
    • Infrastructure own न करने वाला economic model cost के लिहाज से disadvantage में है
  • Regulatory intervention या actual AGI invention न हो, तो Anthropic के लिए #1 foundation model provider की position बनाए रखना मुश्किल हो सकता है

OpenAI ने अलग defensive strategy चुनी

  • OpenAI models हाल के कुछ महीनों में Anthropic से पीछे रहे हैं, लेकिन उसने product, consumer experience, site publishing, voice और hardware में invest किया है
  • इन areas में Anthropic के harness-centric products की तुलना में defensible foundation ज्यादा स्पष्ट है
  • यह data center ownership और power generation facility investments के लिए भी ज्यादा open है
  • कुछ लोगों का मानना है कि यह strategy focus कम करती है, लेकिन लंबी अवधि में resilience बढ़ा सकती है
    • इसमें network effects और defensibility वाले products try करने की flexibility और risk appetite है
    • Long-term margins optimize किए जा सकते हैं

Model-centric operators की कमजोर होती defensibility

  • Kimi K3 और Qwen 3.8 दिखाते हैं कि open models भी frontier performance territory तक पहुंच सकते हैं
  • Long-term sustainable business के मानक पर model-only suppliers खास तौर पर risk में हैं
  • Knowledge Atlas, Moonshot Labs, Anthropic के लिए infrastructure और दूसरे product assets रखने वाले OpenAI, Alibaba, SpaceX, Meta, Google की तुलना में defensibility हासिल करना ज्यादा मुश्किल है

संबंधित पढ़ाई

1 टिप्पणियां

 
GN⁺ 13 시간 전
Hacker News की राय

  • हाल के दिनों में खुले weights और खुले architecture वाले models की बाढ़ देखकर लगता है कि आखिर में जो मॉडल को ASIC में सबसे तेजी से ढाल पाएगा उसके जीतने की संभावना ज्यादा है
    K3 की घोषणा में दिखा कि LLM खुद भी chip design का कुछ हिस्सा कर सकता है, और frontier models पहले ही व्यापक कामों के लिए पर्याप्त हैं; जल्द ही वे software development के बड़े हिस्से के लिए भी उस स्तर तक पहुंच जाएंगे
    अगर Fable 5 को Nvidia GPU पर 150 tokens प्रति सेकंड के बजाय ASIC पर 9,000 tokens प्रति सेकंड पर चलाया जाए, तो ज्यादातर मांग पूरी की जा सकती है
    कंपनियां भी OpenAI या Anthropic को data देने के बजाय कुछ on-premises ASICs से अलग-अलग use cases को ज्यादा सुरक्षित तरीके से संभाल सकती हैं

    • cryptocurrency के ASICs में algorithms धीरे बदलते थे और उनकी प्रकृति भी अच्छी तरह ज्ञात थी, लेकिन LLM architecture कहीं ज्यादा तेजी से बदलता है
      chip release की बारीकियां coordinate करते-करते कई गुना तेज नया paper या approach आ जाने का जोखिम नहीं लेना चाहूंगा
      developers की brand loyalty बहुत कम होती है और वे सीधे best model पर चले जाते हैं, इसलिए जब तक best model programmable GPUs पर चलता है, GPUs ही dominate करेंगे
    • यह “हर किसी के लिए 640KB काफी होगा” जैसी सोच लगती है
    • नए OpenAI और Anthropic models भी travel itinerary planning बहुत खराब करते हैं
      मैं अक्सर इस्तेमाल करता हूं, लेकिन वे मांगी गई शर्तों को पूरी तरह तोड़ देते हैं, और सुझाए गए stopovers में करीब आधे filters पर खरे नहीं उतरते
    • Fable और Mythos विशाल Xeon जैसे लगते हैं, और छोटे, हल्के models कम बिजली खाने वाले कई ARM chips जैसे; इससे Intel बनाम ARM वाली स्थिति दोहराती दिखती है
      अगर ग्राहकों की इस मांग पर चला जाए कि resources जैसे अनलिमिटेड हों और bigger models बनाए जाएं, तो अभी बहुत पैसा कमाया जा सकता है, लेकिन efficiency और लगातार सुधार से बढ़े Apple Silicon जैसे किसी खिलाड़ी से पीछे छूटने का जोखिम है
    • Cerebras की तरह custom hardware पहले से मौजूद है
      एक lab ने सामान्य software stack पर लगभग 100 tokens प्रति सेकंड देने वाले 8 billion parameter model को एक MI300X पर लगभग 3,000 tokens प्रति सेकंड तक generate कराया
      प्रति सेकंड 1TB से ज्यादा पढ़ने वाली कई TB scale high-bandwidth flash भी development में है, इसलिए कुछ साल बाद HBM 40–90GB और HBF 4TB वाले card पर 3 trillion parameter model को करीब 10,000–20,000 डॉलर में locally चलाना संभव हो सकता है

  • Figma का मामला बार-बार याद आता है
    Anthropic के CPO और Instagram के co-founder Mike Krieger Figma के board में थे, लेकिन Claude Design के public release से ठीक पहले उन्होंने इस्तीफा दे दिया; बताया जाता है कि Figma Anthropic models और संयुक्त “Code to Canvas” integration पर निर्भर था, फिर भी Claude Design का scope उसे पहले से पता नहीं था
    घोषणा के तुरंत बाद Figma का stock 7% गिरा, और foundation model companies द्वारा SaaS partners की application layer को खा जाने वाला SaaS doomsday सच हो गया
    LLM companies को data देने या उन पर निर्भर होने में सावधानी चाहिए; अगर किसी AI startup का idea सफल होता है, तो ये कंपनियां खुद competitor बन सकती हैं या API prices नियंत्रित कर सकती हैं

    • यह पुराने FB और Twitter, फिर Reddit API पर apps बनाकर किसी मोड़ पर अपना आधार खो बैठे developers की याद दिलाता है
    • coding tools का revenue अभी महत्वपूर्ण है, लेकिन अंतिम लक्ष्य नहीं; अपनी भारी valuations को justify करने के लिए AI companies को consumer super app बनना होगा
      OpenAI Apple और Android पर dependence से निकलने के लिए अपना hardware तक design कर रहा है और consumer super device पर बड़ा दांव लगा रहा है
      लंबी लड़ाई AI companies बनाम SaaS नहीं, बल्कि Apple, Google, Meta, Amazon जैसे बड़े consumer brands से competition है; अगर कोई पहले ऐसा ultimate digital assistant बना ले जो कोई भी काम लेकर तुरंत code और interface बना दे, तो Apple भी पुराना पड़ सकता है
    • मौजूदा capitalism monopolistic behaviour के इर्द-गिर्द चलता है, इसलिए जब LLM companies employees को replace करने के स्तर तक पहुंचेंगी, तो shovel बेचने के बजाय खुद सोना खोदेंगी
      दूसरे services के ऊपर बनाए गए products आसानी से acquire हो जाते हैं या underlying service में absorb हो जाते हैं; Apple भी कई popular app features को चुपचाप iOS में शामिल करता आया है
    • GPT 5 launch के आसपास मैंने resume customization app बनाया था, लेकिन GPT 5.5 आते-आते वह मूल formatting बनाए रखते हुए सीधे perfect PDF और Word resumes generate कर सकता था
      labs से compete करते हुए thin wrapper बनाना जोखिम भरा है, लेकिन यह software का नया दौर भी है जहां अगर आप ऐसा valuable product बनाते हैं जिसे chatbot तुरंत copy नहीं कर सकता, तो चिंता की जरूरत नहीं
    • Anthropic और OpenAI पर competitive pressure इतना ज्यादा है कि वे हर reckless product idea के पीछे capital और developers नहीं लगा सकते, इसलिए मेरा मानना है कि बड़ी companies द्वारा startups को पैसे के दम पर copy करने का दौर खत्म हो गया है

  • मुझे लगता है कि जोखिम को बढ़ा-चढ़ाकर बताया गया है
    बेहतर मॉडल के लिए ज़्यादा भुगतान करने की मांग है, और मेरे workflow में मिलने वाली value, cutting-edge labs को दिए जाने वाले $200 प्रति माह से कहीं अधिक है, इसलिए लागत थोड़ी घटाने का कोई इरादा नहीं है
    असली LLM की तुलना में Claude Code या Codex execution environment से मिलने वाली value ज़्यादा है, और OpenCode जैसे open-source implementations अभी काफी पीछे हैं
    Excel के लिए भी Google Sheets जैसा लगभग बराबर विकल्प है, जो 90% से अधिक features देता है, लेकिन spreadsheets जो value बनाते हैं वह सालाना $100 से कहीं अधिक है, इसलिए Microsoft की मजबूत moat बनी रहती है

    • Claude और OpenAI का पैसा enterprise customers से आता है, और कंपनियां इतनी cost-sensitive होती हैं कि infrastructure cost optimization के लिए dedicated roles रखती हैं
      दोनों कंपनियों का $1 trillion valuation execution environment की वजह से भी नहीं है
      Enterprise Excel लगभग $50 प्रति माह है, लेकिन closed labs प्रति user उससे कई गुना ज़्यादा charge करती हैं, और मैं भी ज़्यादा coding नहीं करता, फिर भी रोज़ कम से कम करीब $50 इस्तेमाल करता हूं
    • कंपनियां भारी subsidy वाली general subscriptions इस्तेमाल नहीं कर सकतीं, और मैं ऐसे संगठन को जानता हूं जहां करीब 100 developers AI का सक्रिय उपयोग करते हुए $500,000 प्रति माह खर्च करते हैं
    • $200 प्रति माह को हल्के में लेना अमीर विकसित देशों का नज़रिया है
      जहां मैं रहता हूं, वहां $200 की मासिक salary भी असामान्य नहीं है और developer भी करीब $1,000 कमाते हैं, इसलिए value कितनी भी बड़ी हो, अगर rent और खाने का खर्च नहीं निकलता तो इसका उपयोग नहीं किया जा सकता
      विकसित देशों में भी जो students या founders अमीर नहीं हैं, उनके लिए $200 प्रति माह afford करना मुश्किल है
    • Codex खुद भी open source के रूप में जारी है: https://github.com/openai/codex
    • बेहतर मॉडल के लिए extra cost देने लायक performance gap तेजी से घट रहा है
      एक हफ्ते पहले तक Fable के लिए पैसे देना worthwhile था, लेकिन K3 आने के बाद मेरे लिए अंतर इतना कम हो गया कि लागत justify नहीं हो पाती
      अगर actual results 10% बेहतर हों तो 5x देना ठीक है, लेकिन 2% improvement के लिए 5x देने वाले लोग काफी कम होंगे
      साथ ही, पसंदीदा execution environment की जगह Claude Code जबरन इस्तेमाल करना पड़े, यह Anthropic की ताकत नहीं बल्कि कमजोरी है

  • Fable जिस तेजी से “ऐसा game-changing model जिसे ban करना चाहिए” से “ठीक है, लेकिन OpenAI भी similar है और open-weights alternatives भी हैं” में बदल गया, वह हैरान करने वाला है
    hype cycle छोटा हो गया है, और शायद इस बार सच में stagnation point आ गया हो

    • Fable अभी भी वही शानदार model है, और LLM industry के future का अनुमान लगाने वाले लेख बहुत insightful या interesting नहीं होते, इसलिए उन पर ज्यादा ध्यान न देना बेहतर है
    • साल की शुरुआत में open-weights models, OpenAI और Anthropic से 4 महीने पीछे थे, लेकिन अब gap सिर्फ 4–6 हफ्ते का है
    • safeguards न होने पर ही संभव होने वाली greedy training approach की आखिरकार सीमा आएगी
      जानकारी बदलती रहती है, इसलिए models को update करना होगा, लेकिन मुफ्त में उपलब्ध data लगातार घटता जाएगा

  • OpenAI भी Anthropic की तरह मूल रूप से model-only supplier है, तो सवाल है कि वह उसी तरह vulnerable क्यों नहीं है

    • ChatGPT non-technical और non-work LLM का पर्याय बन चुका है और बहुत बड़ा user history जमा कर रहा है
      history personal context देती है, जिससे product बेहतर होता है, और इसे model training और ads में भी उपयोग किया जा सकता है
      भविष्य में जब “मेरी छुट्टी plan कर दो” लिखने पर पूरी प्रक्रिया coordinate हो जाएगी, तो users 10% सस्ते या बेहतर दूसरे model पर आसानी से shift नहीं करेंगे
    • OpenAI consumer hardware में diversify कर रहा है और data centers का भी अधिक हिस्सा सीधे own कर रहा है
      अगर products वास्तव में launch होकर कुछ हद तक सफल होते हैं, तो वह अन्य cutting-edge labs से अलग unique position हासिल कर सकता है
    • लेख में product, consumer experience, site publishing, voice और hardware investments को ज्यादा स्पष्ट moat बनाने वाली चीजों के रूप में अलग किया गया है
      हालांकि ये differentiators अभी expectations से कम हैं, या hardware की तरह बिल्कुल unproven हैं
    • consumer wearables के अलावा, और अधिक महत्वपूर्ण रूप से, वह inference chips भी develop कर रहा है
      अच्छा model बनाना और उसे तेजी से serve करना तथा demand संभालना अलग-अलग बातें हैं
      Anthropic को लगभग 6 महीने पहले यह समस्या हुई थी, और Moonshot भी demand संभाल नहीं पाया, इसलिए coding plan subscriptions पहले ही बंद कर चुका है

  • अगर AI progress की upper bound recursive self-improvement है, तो AI बेहतर models बनाएगा और data center owners जीतेंगे, इसलिए Anthropic और OpenAI खत्म हो जाएंगे
    अगर lower bound stagnation है, तो competition यह होगा कि एक तय top performance सबसे कम कीमत पर कौन देता है
    Google द्वारा weights को silicon में engrave किए गए Gemini chip बनाने की खबर का मतलब है कि chip life कम से कम 2–3 साल होने को देखते हुए वे अगले 3 सालों में similar level की progress न होने की उम्मीद कर रहे हैं, और आखिरकार यह lowest-margin competition होगा, इसलिए दोनों कंपनियां फिर disadvantage में होंगी
    बचना है तो AI progress को इन दो extremes के बीच रहना होगा

    • open-weights models के लिए SETI@home जैसा distributed computing अभी चाहिए
    • weights को chip में engrave करने से inference speed और power efficiency बेहतर होती है, और end users को लगातार hardware replacement cycle पर डालने का side effect भी होता है

  • OpenAI, Anthropic से कहीं ज्यादा संकट में दिखता है
    एक तरफ IPO pursue किया जा रहा है और दूसरी तरफ books disclose करने से बचा जा रहा है—यह बहुत कुछ बताता है

  • असली मुद्दा यह है कि क्या दूसरी labs Anthropic और OpenAI से आगे के models बना सकती हैं
    distillation आदि के जरिए वे दोनों कंपनियों के APIs पर कितनी निर्भर हैं, यह भी अहम है; अगर वे derivative models हैं तो performance range संकरी और progress सीमित रहने की उम्मीद है

    • pure performance में आगे होना जरूरी नहीं है; अहम है cost के मुकाबले value
      token खरीदने वाली कंपनियों में यह पहले ही दिख रहा है कि intelligence improvement से revenue growth नहीं होती, और आखिरकार finance ही decisions को drive करेगा
      अगर मैं OpenAI या Anthropic होता तो बहुत तनाव में होता

  • अगर Dario फिर podcasts पर घूमकर यह धमकी दे कि उसके AI की वजह से 75% jobs खत्म हो जाएंगी, तो वह trend पलट सकता है
    न चले तो 85%, और फिर भी न चले तो 100% तक बढ़ा दे

  • नवंबर 2025 में Anthropic Opus 4.5 और Claude Code ही ऐसे इकलौते सिस्टम थे जो साफ़ तौर पर परिभाषित feature को एक ही बार में सही ढंग से implement कर देते थे, लेकिन अब Claude और Codex से लगभग बराबर संतुष्टि है
    अगर दोनों कंपनियां कीमतों पर दबाव डालती हैं या safety policies को जरूरत से ज्यादा कड़ा करती हैं, तो सक्षम open-weight models और असली open-source execution environments की तरफ जाने के विकल्प भी काफी बढ़ते दिखेंगे
    Gemini 3.1 Pro मजबूत लगता है, लेकिन पिछली बार इस्तेमाल किया गया Antigravity नाकाबिल था
    Anthropic का मजबूत competitors में से एक के रूप में बने रहना अच्छा है, लेकिन safety-first philosophy की वजह से नए models में refusals और जानबूझकर की गई अनभिज्ञता बढ़ रही है
    लंबे समय में इसे ऐसी कंपनी के रूप में याद किया जा सकता है जिसने software development को तेज किया ताकि दूसरे लोग कम डरपोक tools बना सकें

    • बेहतर होगा कि Anthropic गिरावट में जाए और कोई दूसरी कंपनी उसकी जगह ले