跳转至

Nathan Lambert's Mid-2026 Open Models Bets

Ch01.905 Nathan Lambert's Mid-2026 Open Models Bets

📊 Level ⭐⭐⭐⭐⭐ | 12.0KB | entities/nathan-lambert-open-models-bets-2026.md

Nathan Lambert's Mid-2026 Open Models Bets

Core insight: 闭源模型的"能力差距"在 2025 下半年至今没有按训练算力差距比例扩大 — 开放权重阵营在标准 benchmark 上保持紧密追赶。但 RL 主导训练 + 真实使用反馈 + 经济持续能力将决定下一阶段分化。

Nathan Lambert 的 13 个可证伪预测（2026 春季）

Interconnects 主编 Nathan Lambert 2026 年春季综合 10+ 篇前文，列出对开放权重生态的 13 个明确预测。这些都是有明确时间窗口的可证伪命题，不是"中国会赶超"或"开源必胜"的简化叙事。

能力差距与生态动态

  1. 闭源顶级模型在 2025 H2 至今没有按训练算力差距比例扩大对开放模型的领先优势。这是一个反直觉的发现：考虑到算力差距应该是 5-10x，能力差距却维持在较小范围。

  2. 开放模型实验室在标准 benchmark 上技术能力极强。这反映"人才 + 足够算力"的平衡 — 不是算力主导。

  3. 中国开放权重实验室在 benchmark 关注度上略高于美国闭源同侪，部分原因：

  4. Distillation 工具（见 Nathan 自己的实证分析：How much does distillation really matter）
  5. 资金叙事需要（"赶上 frontier"是融资和 adoption 关键）

  6. 监管对 distillation 的限制（如果出现）不会决定能力平衡 — 只是参数之一

  7. 闭源模型在"难以量化"的质量上领先 — robustness、handling novel challenges、knowledge worker 直接助手场景。这才是 Claude Code / Cursor 等 agent 时代闭源拉开差距的地方。

经济持续能力（2026 关键变量）

  1. 开放 vs 闭源 benchmark 竞赛本质是"经济持续力"游戏 + fast-following，直到市场结构收缩。预期 Chinese 开放权重实验室在 2026 下半年率先面临资金困难 — 困难会通过 3-9 个月后的能力轨迹变化显现出来。

  2. RL 主导训练时代把"真实场景分布"作为能力提升的关键因素。Claude Code / Codex 等 agent 工具直接处理用户真实工作是关键差异点。闭源可通过在线 RL 直接利用用户反馈（参考 Cursor Real-time RL for Composer）。

  3. 开放模型在"重复性自动化任务"中 API 市场份额将持续增长 — 新的 AI-native 应用、商业后台自动化等。成功将驱动领域特定、高效开放模型投资（The next phase of open models）。

监管、安全与生态反向力

  1. 禁止某些类型开放模型的呼声会持续但实际上不可能执行。训练强 AI 模型（次 frontier 级）成本相对大规模部署很小 — 如果美国禁止超过某 compute 阈值的开放模型，其他主权实体会训练并发布，且会以更少监管进入美国市场。

  2. 开放模型影响力的"二阶导"已转向，美国将缓慢在 2027 年初重获开放模型采用指标上的优势（中国 velocity 减速然后反转需要时间）。标志事件：

  3. Google Gemma 4（"wild success"）
  4. Nvidia Nemotron

  5. Arcee AI（all-in on open models）

  6. 随着更强闭源模型发布，会有更多"安全冲击"声称开放权重版本永远不应存在 — 类似 Claude Mythos 反应。这会激起对开放模型的繁琐监管。

  7. 长期看主权实体 + 现有权力结构意识到"即将到来的超强大 AI 工具不能落入一两家公司手中"，会增加对开放模型的长期兴趣。开放模型被视作不同的治理范式。

  8. 新的开放模型资金结构会出现 — 当利益相关者意识到对单一盈利公司智能访问的依赖是不可靠的。

  9. 本地 agents、OpenClaw 等个人 agent 代表一个对开放模型使用的大型、目前被忽视的市场。这是某种"暗物质" — 有广泛、巨大的潜力影响开放对闭源平衡。

关键论点：经济 > 能力

Nathan 的核心论点：

"The reality is complex. Only real AI revenue begets more investment, eventually that'll be linked to the ability to keep improving models at a rapid rate. Economic realities have not yet impacted scaling open models, as a general category."

长期轨迹是经济问题，不是能力问题。简单的"中国必超美国"叙事（NYT 等媒体常用）有更多分发，但现实更复杂。真实 AI 收入 → 更多投资 → 模型快速改进能力，这条链是决定性因素。

三个独到洞察

  1. "RL 训练时代 = 真实使用分布 = 闭源主导"（预测 6）— 这是把"agent 工作流"和"开放 vs 闭源"动态直接挂钩的关键洞见，比简单的"benchmark 比较"更前瞻。

  2. "Chinese labs 资金压力 3-9 个月延迟可见"（预测 5）— 具体的时间窗口把经济学转化为可观察的能力指标，是 Nathan 的方法论特点。

  3. "本地 agent 是开放模型的暗物质市场"（预测 13）— 把 OpenClaw / personal agents 视为开放模型的关键增长点（而闭源主导 SaaS agent）。这呼应我们 openclaw-multi-7 (ECS Fargate variant) 的观察。

关联与延伸

上线状态与发布信息

  • 作者：Nathan Lambert（Interconnects AI 主编，AI2 / Allen Institute 前研究科学家）
  • 发布日期：2026-04-15
  • 原文链接：interconnects.ai/p/my-bets-on-open-models-mid-2026
  • 引用方式：13 个预测都有明确时间窗口（"later this year", "early 2027"），是可证伪命题而非纯观点

深度分析

1. 可证伪命题的学术价值

Lambert 对 2026 年开源模型预测的关键特征是"可证伪性"——他给出了明确的时间线（"early 2027"）和可验证的指标。这使得他的预测不是观点而是假说，可以被后续数据证实或推翻，对政策讨论的实际价值远超模糊的乐观/悲观声明。

2. 开源-闭源差距的动态建模

Lambert 的预测模型是动态的：他承认通用能力差距在扩大（闭源领先），但同时认为窄域能力差距在缩小。这与 Nathan Lambert Claude Mythos Open Weights 中的论点一致，但提供了更精确的时间线预测。

3. 开源模型的经济学约束

预测中隐含的经济学假设是：开源模型的训练成本持续降低（更高效的训练方法、更多公开数据），但推理成本仍受制于硬件。如果硬件成本不降（GPU 短缺持续），最大开源模型的参数量可能触及天花板。

4. 中国实验室的持续领先

Lambert 的预测再次确认中国实验室在开源模型领域的领先地位——Ling 2.5-1T 等最大开源模型来自中国实验室。这一领先是否可持续取决于算力获取、数据质量和人才流动。

5. 对政策制定者的信号

可证伪的预测为政策制定提供了比"AI 太危险"或"开源是未来"更实用的参考框架。政策应基于"差距如何变化"而非"差距是否存在"来设计。

实践启示

1. 跟踪 Lambert 的预测验证时间线

标记 "early 2027" 为验证节点，回顾他的预测是否被证实。这为开源模型策略的调整提供了自然的检查点。

2. 开源模型选型：关注窄域能力而非通用 benchmark

如果 Lambert 的预测正确，开源模型在窄域（代码、特定任务）可能更快追上闭源。选型时优先评估窄域能力而非通用 benchmark。

3. 研究：建立开源-闭源差距的追踪仪表板

用标准化的 benchmark 定期对比开源/闭源模型在通用和窄域能力上的差距，为策略决策提供数据支撑。

4. 投资者：关注训练效率而非参数规模

如果推理成本是瓶颈，投资训练效率（更少参数达到同等能力）比投资更大参数规模更有价值。

5. 政策制定者：用可证伪预测替代直觉

邀请领域专家提供可证伪的预测（明确时间线+指标），而非泛化的安全/乐观声明。Lambert 的模式值得复制。

关键引用

"It's surprising that the top closed models did not show a growing capability margin over open models, based on compute differences for training and research, especially in the second half of 2025 and through today."

"The RL dominated training era has increased the relevance of distribution to real-world use-cases as a key factor in continued capabilities improvements."

"I expect Chinese open-weight labs to face funding difficulties first, as soon as later this year. Funding difficulties will be seen in different capability trajectories 3-9 months later."

"Local agents, OpenClaw, and other personal agents represent a large, to date, mostly ignored market for open model usage. It is a sort of dark matter, with pervasive, massive potential for influence on the balance of open-to-closed models."

→ 原文存档