数据时点：2026-09-25（周度刷新；个股按 §A 标准档对齐，缺数用 N/A/null，非投资建议）

开源模型是否在追赶？三个时代的追赶速度

来源：SemiAnalysis — Are Open Models Catching Up?（2026-08-21）。本页为 Investor Research 摘要笔记，非原文转载。

核心判断

SemiAnalysis 将大模型演进划分为 scaling → reasoning → agentic 三个时代，并观察到：开源权重在每个时代以约一半时间逼近闭源前沿——但 benchmark 分数与日常产品体验仍明显脱节；作者团队仍偏好 Anthropic Claude 作为日常工作模型。

与 agentic 推理栈实测直接相关的是同期发布的 AgentX InferenceX v3：当 workload 从单轮 chat 转向长上下文、多轮、子 agent 时，硬件 perf/$ 与软件 composability 的分化比 leaderboard 更能解释投资逻辑（见 CUDA 护城河、TileRT InferenceX）。

三时代与追赶曲线

Era 1 — Scaling（预训练规模）

Llama 3.1 405B 相对 GPT-4o 的 gap 约 6 个月量级（SA 口径）。
含义：开源在 dense scaling 阶段已能较快复刻闭源能力曲线，但数据、算力与 post-training 资源仍向头部闭源实验室集中。

Era 2 — Reasoning（推理/RL）

DeepSeek R1 相对 OpenAI o1 约 6 个月。
推理时代竞争焦点从参数规模转向 RL 数据、verifier 与 inference-time compute；与 CPU 行业中「推理侧 CPU 编排」叙事、以及 ISA 格局中边缘/本地推理讨论形成对照。

Era 3 — Agentic（工具、多轮、子 agent）

Kimi K2.6 vs Claude Opus 4.5：约 4.8 个月。
GLM-5.2 vs GPT-5.2：约 6 个月。
Agentic 时代 gap 进一步缩短，但 trace 分布、KV cache 复用、routing 等生产特征在 AgentX v3 中才被系统量化（P90 ISL 317k、95%+ KV hit rate 等）。

SA 对产品 vs benchmark 的保留

团队仍认为 Claude 在日常 coding/agent 任务上更可靠；开源模型可能在 SWE-bench / 公开 leaderboard 上接近，却在 工具调用稳定性、长会话一致性 上落后。
RL hill-climbing：开源社区可能针对公开 benchmark 过度优化，导致「评测强、产品弱」——与 Meta 超级智能路线、Gemini/GCP 等闭源实验室的 私有 eval + 产品闭环 形成对比。

对算力与软件栈的含义

训练 vs 推理

Scaling 时代利好 训练 GPU 资本开支（NVDA、AMD、AVGO 定制 ASIC 叙事见 Google–AMD TPU 传闻）。
Agentic 时代增量更多落在 推理 perf/$、KV 内存、disaggregation——见 GPU 利用率、Vera/Rubin NVL72 TCO、Cerebras CS-4 等非 GPU 路径对照。

云与分发

闭源 API（GOOGL Gemini、MSFT Copilot、AMZN Bedrock）仍掌握 分发与计费；开源权重压缩 模型层 margin，抬升 infra 与 neo-cloud 价值（CRWV、NBIS、IREN）。

中国开源 vs 西方闭源

Kimi、GLM、DeepSeek、Qwen 等加速追赶，与 AgentX 中 MI355X / Kimi K3 / MiniMax M3 实测矩阵一致；出口管制与权重合规 仍是西方云厂商采用开源权重的 friction。

展望

Gap 继续缩短 在 agentic era 仍可能成立，但 半衰期 是否维持「每时代一半」取决于闭源实验室是否扩大 私有数据与 product RL 优势。
投资上应同时跟踪：(1) 开源 leaderboard、(2) AgentX 类生产 workload 基准、(3) 推理软件栈 PR velocity（CUDA 护城河、TileRT）。
INTC 等 CPU 玩家在 edge agent、本地小模型 的角色可能随开源小模型质量上升而增强，但 datacenter agentic 主战场仍在 GPU + 全栈软件。

风险

Benchmark 与产品脱节；RL 过拟合公开评测。
闭源实验室仍控制 顶级 post-training 算力与用户反馈闭环。
地缘政治、版权与 权重出口 限制跨境部署。
开源加速 commoditize 模型层，压缩纯 API 毛利（利好 infra、利空无差异化的模型 API 纯 play）。

参考

SemiAnalysis — Are Open Models Catching Up?（2026-08-21）
关联笔记：AgentX InferenceX v3 · CUDA 护城河 · TileRT InferenceX · Gemini/GCP · Meta 超级智能
关联研报：NVDA · AMD · GOOGL · MSFT · GPU 利用率 · CPU 行业

开源模型是否在追赶？三个时代的追赶速度｜SemiAnalysis 笔记