开源模型只赢 3% 的预算档：闭源靠蒸馏吃掉性价比前沿
10 月 30 日，Village 发布了一份看着不太像新闻的研究：在几乎每一个预算档位上，你能买到的最强模型都是闭源的。开源模型只在 3% 的价格点上是最优选择，而四个月前的 6 月，这个数字是 41%。
这个结论之所以值得写，是因为它和大多数人的直觉方向相反。过去两年「开源模型追得很快」几乎成了默认前提，社区每隔几个月就会拿出一个开源模型说「这个能力只要闭源的三分之一价钱」。而这份研究把「追得上」拆成了一个更具体的问题：在每一个你实际可能掏钱的预算档位，现在跑分最高的那个模型，是开源的还是闭源的？
用这个问题重新问一遍，答案就变了。而且变得很彻底——按他们的算法，10 月 31 日那天 21 个前沿点里只有 5 个是开源的，全部集中在便宜的那一半。
一句话结论：开源不是输了能力，是输了「每一档都有一个更便宜的闭源」
- 这个指标是什么：价格-性能前沿。横轴是从 GPT-5 单任务成本的 1% 到 3 倍的 201 个预算档，纵轴是能力分。每个档位取「这个预算以内最强的模型」，看它是开源还是闭源。
- 现在的结果：21 个前沿点上 5 个开源（3% 的预算档），全部在便宜一半；6 月 30 日是 19 个点里 8 个开源（41% 的预算档）。
- 谁拿走了：主要是 OpenAI 的 GPT-6 Luna（9 月）和 GPT-6.1 Terra（10 月），加上 Anthropic 的 Claude Haiku 5.5。GPT-6/6.1 一家就占了 21 个点里的 11 个。
- 历史上从没这么低过：2024 年以来每个季度末，开源占比都在 6% 以上；Q3 2025 曾经到 52%。3% 是这份研究测到的最低值。
- 但峰值都撑不过一个季度：DeepSeek-V3.2-Exp 2025 年 9 月上线那周，拿下近一半预算档；到下一季度末腰斩以上。开源赢的是爆发，不是阵地。
这份数据是怎么算出来的
先把方法论摊开，因为它决定了这个结论能信到什么程度。
Village 是一家卖投研软件的公司，同时公开发研究，明确说「用和客户一样的 agent 和数据来研究实时网络」。他们的 LLM Atlas 给每个模型（含不同 reasoning 档位）估一个能力分，能力分来自公开 benchmark 结果；成本则是另一套成本模型，用评测者跑出来的单任务成本估算，单位是「GPT-5 高力度成本」的倍数。
取每个快照日期当天已发布的所有模型，在 201 个对数等距的预算档上各取最优，数开源的占比。他们做了两个稳健性检验：只算至少在 10 个 benchmark 家族上有分的模型，结果不变；把预算范围收窄到 GPT-5 成本的 3%–1 倍，结果也不变。
唯一明显不同的是放宽到 0.3%–10 倍这个区间时，开源占比回到 16%——因为最便宜那一端仍然是极小的开源模型在赢。这一点很重要，后面会说。
四个季度曲线：52% 的高点和 3% 的低点
把每个季度末的占比排出来，能看出这不是一条下滑线，而是一条震荡线。
| 时点 | 开源模型占最优预算档的比例 |
|---|---|
| 2024 Q1 | 6% |
| 2024 Q2 | 42% |
| 2024 Q3 | 19% |
| 2024 Q4 | 32% |
| 2025 Q1 | 7% |
| 2025 Q2 | 7% |
| 2025 Q3 | 52% |
| 2025 Q4 | 30% |
| 2026 Q1 | 26% |
| 2026 Q2 | 41% |
| 2026 Q3 | 20% |
| 2026-10-31 | 3% |
读法上有个细节容易被忽略：2025 Q1 和 Q2 只有 7%。也就是说，去年上半年也出现过一次和现在差不多的低谷，然后 Q3 因为 DeepSeek-V3.2-Exp 一路冲到 52%。所以「3% 是不是永久性失败」这个问题，历史上给的答案更接近「不是」。
研究自己的措辞是「开源在价值上赢的是爆发」。一次又强又便宜的发布，会一口气吃掉很宽的一段预算；然后闭源厂商出一个更便宜的中阶模型，这段就被收回去。这个过程已经重复了至少三次。
为什么这次闭源能赢：三条解释，最后一条最关键
研究给了三条解释，并明确说它们是「符合这个模式的解释」，不是被证明的因果。第三条我认为最值得展开。
第一条：闭源厂商可以自己蒸馏自己。手里有最强模型的那家，可以拿旗舰的输出在自己机房里炼便宜档。证据是时间差——Claude Haiku 5.5 在 Claude Opus 5.5 之后两周就出来了。我去核了一下实际定价：Haiku 5.5 是每百万 token 输入 $0.10、输出 $0.50（提示超过 10 万 token 时涨到 $0.50 / $2.50），Opus 5.5 是 $4 / $20。差了 40 倍。这个价差配上两周的时间差，很难用「各自从头训」来解释。
开源厂商拿不到这个原料。闭源厂商的服务条款普遍禁止拿它们的输出去训竞品。这条限制不是技术问题，是法律问题——所以开源这边只能从自己上一代、本来就弱一些的模型往上做。这个结构性差距不会因为「开源社区更努力」而消失。
第二条：闭源厂商一次发一整个家族。OpenAI 的 GPT-6 和 GPT-6.1 从 Luna、Terra 到 Sol、Astra，一个世代就覆盖了从每百万 token $0.10 到 $1.00 以上的多个价位。我在 OpenRouter 上核到的实际挂牌价是这样：Luna 输入 $0.10 / 输出 $0.50，Terra 和 Sol 输入 $1.00 / 输出 $5.00，batch 档再打对折。一个实验室一次发布就吃掉 11 个前沿点，这不是开源那边「一个实验室一个主打模型」的节奏能对抗的。
第三条：规模效应可能真的存在。OpenAI、Anthropic、Google 的推理量是另一个量级，Google 还用自研芯片。单位任务成本能压到多低，和跑多少量直接相关。这条解释研究自己标了「可能」，因为拿不到各家的真实单位成本。但如果它成立，那开源厂商即便模型能力追平，价格上也很难在同档位赢——因为对方的边际成本结构不一样。
把三条放一起看，它们其实是同一个方向的：闭源厂商在「同一代能力覆盖多个价位」这件事上有系统性优势，而价格-性能前沿这个指标恰好就是在测这件事。所以 3% 这个数字，某种程度上是被指标定义放大的。
反过来说：这个指标衡量的不是「开源还行不行」
Hacker News 上有一条反对意见我觉得说得很到位：价格-性能不是唯一的度量，「能被测量的东西，不会自动变成更好的决策依据」。这条批评指向的是一种很常见的思维习惯——把可量化的那部分当成全部。
开源模型仍然赢在几个这个指标测不到的地方：
- 能自己看、自己改。闭源模型你只能相信厂商的说法；开源权重可以读、可以改、可以只跑在自己的机器上。对一个要做安全审计、或者要确保长期可用性的团队，这条比几毛钱差价重要得多。
- 不会被单方面停掉。条款变更、地区限制、账号封禁，都不适用于你手里的权重。有过被平台掐断经历的团队对这一点体会最深。
- 最便宜那一端还是开源的。研究自己承认：把预算区间放宽到 0.3%–10 倍，开源占比回到 16%，因为极小模型在最便宜端无人能敌。我核的实际价格也印证了——Gemma 3 4B 是输入 $0.05、Qwen3.7-Flash 是 $0.03、DeepSeek V4 Flash 是 $0.09 一档。这些档位闭源厂商基本不参与。
- 自建可能更便宜。研究明确注明：成本反映的是评测者通过托管 API 付的价，开源模型跑在自己的硬件上可以更低。这条在 HN 讨论里立刻被追问了——「在自有机器上、用已经付完钱的太阳能，边际成本怎么算？」这个问题没有标准答案，但它确实让「3%」这个数字对自建场景意义有限。
还有一条来自讨论区的现实观察，比数字更有说服力：一位用 DeepSeek V4.1 Flash 的用户说，他日常开发的那个 Wayland compositor 已经写完、不崩、想不出还能加什么功能。他的判断很直接——「别人付钱的时候我当然直接用 Opus 5.5，谁在乎；但要说每美元产出，DeepSeek 这边差不多是 Anthropic 订阅的 10 倍」。
这和 3% 并不矛盾。3% 说的是「在每一个具体预算上，最强的那个是谁」；那位用户说的是「我这个任务加上订阅折扣和用量，谁更划算」。后者的答案高度依赖你的任务形态、用量和是否自建，不是一份全局榜单能回答的。
适合谁、怎么看
三种人，三种用法：
- 按量付费、任务形态通用的团队：这份数据对你最直接。如果你的活是标准 agentic coding、有明确预算上限、不希望自建，那现在的答案确实偏闭源——尤其是 Luna 和 Haiku 5.5 这两个档位，$0.10 输入价配上 GPT-6 世代或 Opus 5.5 世代的能力，性价比很难挑。
- 要自建、要审计、要长期可控的团队：这份数据基本不适用。你的成本结构里没有「托管 API 单价」这一项，权重能不能读、能不能改、会不会被停，才是决策变量。开源在这个维度上从来没有输过，也不会因为 3% 这个数字而输。
- 只是想知道该不该换模型的人：别按季度榜单换。研究自己说了这是震荡线，去年 Q1/Q2 也曾是 7%，Q3 就回到 52%。按一个季度的低点做迁移决策，大概率会在下一次开源爆发时白折腾一遍。
如果一定要给一个判断：这份研究最可靠的部分是「现在闭源在中高价位的覆盖更密」，最不可靠的部分是「开源正在输」这个叙述。前者有模型清单和价格可以核，我核过了，是对的；后者需要预测下一次爆发什么时候来，那是谁都算不准的事。
