🌐 Ландшафт моделей

Рынок LLM устроен как два параллельных мира. В одном — несколько больших лабораторий, которые делают закрытые модели-флагманы и продают к ним доступ через API. В другом — открытое сообщество и китайские лаборатории, которые публикуют веса моделей, которые можно запустить у себя. Руководителю важно знать обоих, потому что выбор между ними — это прежде всего вопрос данных, денег и юрисдикции, а не «какая умнее».

Дисклеймер о ценах и версиях

Конкретные версии моделей и расценки меняются каждые несколько месяцев. Ниже — структура рынка и порядок величин. Перед закупкой всегда сверяйтесь с актуальным прайсом провайдера и свежими бенчмарками.

---

Закрытые (проприетарные) модели

Доступ — только через API владельца. Вы не видите «внутренности» и не можете запустить модель на своём сервере. Взамен — лучший на момент выхода уровень качества, простая интеграция и никакого ухода за «железом».

Семейство	Владелец	Позиционирование
GPT	OpenAI	Де-факто отраслевой стандарт, огромная экосистема инструментов
Claude	Anthropic	Сильное рассуждение, длинный контекст, акцент на безопасность
Gemini	Google	Глубокая интеграция с экосистемой Google, мультимодальность

Иерархия внутри семейства

Каждое семейство — это линейка: флагман (дорого, умно, медленнее), средняя модель (баланс) и компактная/быстрая (дёшево, для массовых операций). Большая часть экономии в проекте рождается тем, что массовые задачи отправляют на компактные модели, а сложные — на флагман. См. 05-vybor-modeli и 06-stoimost-i-ekonomika.

Открытые модели (open-weights)

Веса публикуются — модель можно скачать и запустить в собственном контуре. Качество верхушек открытых моделей уже сопоставимо с закрытыми предыдущего поколения.

Семейство	Создатель	Зачем смотреть
Llama	Meta	Самое известное западное открытое семейство, большая экосистема
Qwen	Alibaba	Сильные модели, хорошее следование инструкциям, мультимодальность
DeepSeek	DeepSeek	Сильное рассуждение, экономная архитектура (MoE)
GLM (ChatGLM)	Zhipu	Китайский флагман, есть русскоязычная адаптация
Mistral / Mixtral	Mistral AI	Европейские открытые модели, компактные и эффективные

«Открытые» ≠ «бесплатные для коммерции»

Лицензии открытых моделей разные: некоторые разрешают коммерческое использование без ограничений, другие — только до определённого оборота или требуют отдельных условий. Всегда проверяйте лицензию конкретной версии, прежде чем встраивать модель в продукт.

Российский контекст

Для российских компаний актуальны два слоя:

• Доступ к глобальным моделям через посредников — российские и международные API-агрегаторы, которые проксируют запросы к GPT/Claude/Gemini и принимают оплату в рублях. Удобно, но данные проходят через третьих лиц — см. 15-compliance-i-bezopasnost.
• Российские модели и платформы — собственные LLM крупных игроков и облачные сервисы inference. Подходят, когда требуется держать данные в юрисдикции РФ или работать с госклиентом.

Типичное enterprise-решение

Чувствительные данные (контракты, персональные данные, коммерческая тайна) обрабатываются открытой моделью в собственном контуре. Нечувствительные массовые задачи (черновики, summaries) — через дешёвый облачный API. Это даёт одновременно экономию и контроль.

Как читать бенчмарки руководителю

Бенчмарк — стандартизированный тест качества модели. Самые часто встречающиеся:

Бенчмарк	Что измеряет
MMLU / MMLU-Pro	Широта академических знаний
GPQA	Уровень «кандидат наук» в науке
HumanEval	Способность писать код
MATH / AIME	Сложные математические задачи
MUSR	Многошаговое рассуждение

Четыре ловушки бенчмарков

1. Бенчмарк ≠ ваш кейс. Модель, первая на MMLU, не обязательно лучше суммирует ваши договоры. Единственный надёжный тест — ваша собственная eval-выборка.
2. Переобучение под бенчмарки. Лаборатории целевым образом «подтягивают» модели под известные тесты; цифры могут быть завышены.
3. Дроби пятыми знаками. Разница между 82.1% и 82.4% на MMLU на практике неразличима. Смотрите на кластеры, а не на десятые доли.
4. Качество ≠ цена/скорость. Модель может быть умнее, но дороже в 10 раз и медленнее в 3. Решение — это всегда компромисс.

quadrantChart
    title Модели: ум ←→ дёшево, быстро (схематично, не карта точных цен)
    x-axis "Дешевле/быстрее" --> "Дороже/медленнее"
    y-axis "Скромнее" --> "Умнее"
    quadrant-1 "Флагманы (GPT/Claude/Gemini top)"
    quadrant-2 "Открытые флагманы (DeepSeek/Qwen top)"
    quadrant-3 "Компактные открытые (Llama small, Qwen small)"
    quadrant-4 "Компактные закрытые (GPT-mini, Claude Haiku, Gemini Flash)"

Главный вопрос не «какая умнее», а

«какая достаточно умна для моей задачи при приемлемой цене, скорости и допустимом уровне контроля данных». Об этом целиком — 05-vybor-modeli.

---

📌 Что запомнить

• Два мира: закрытые модели через API (GPT, Claude, Gemini) и открытые веса (Llama, Qwen, DeepSeek, GLM, Mistral).
• Внутри семейства всегда линейка: флагман / средняя / компактная — экономика рождается в маршрутизации между ними.
• Открытые модели можно держать в своём контуре, но проверяйте лицензию и закладывайте затраты на «железо».
• Бенчмарки — ориентир, а не приговор; реальный критерий — ваша eval-выборка.

Дальше: 🎯 Выбор модели под задачу → — конкретный алгоритм выбора: критерии, trade-off, таблица «когда что».