开源模型正以约1.5倍于前沿模型的速度缩小与GPT/Claude/Gemini的编码差距，且在去污染基准测试中，一个27B模型已经击败了Claude Opus 4.8 [实时仪表盘 + 分析]

每个人都在争论开源AI是否正在追赶闭源实验室。我厌倦了凭感觉，于是我建立了一个实时仪表盘，绘制开源权重模型与闭源模型在重要编码基准测试（SWE-bench Verified、SWE-rebench、BFCL工具调用、LiveCodeBench）上的表现随时间变化，然后对趋势进行了实际统计分析。 数据显示：开源小模型是曲线上最陡的线。可以在单个消费级GPU上运行的最佳模型，在SWE-bench Verified上从2024年12月的20%提升到了2026年中期的77%。 拟合每组的最佳前沿，开源≤35B模型每年提升约+39个百分点，而闭源前沿每年提升约+26个百分点。这意味着速度约为1.5倍，且差异具有统计学意义（p≈0.0002）。 在无法被操纵的基准测试上，差距几乎消失了。SWE-rebench每月拉取新鲜的GitHub议题，因此没有任何内容是记忆过的。在那里，一个27B的开源模型（Qwen3.5-27B）得分58.9，与全球第一相差约4分，并且高于Claude Opus 4.8（56.5），尽管Opus在公开基准测试上获得了88.6分。 大部分可见的“闭源领先”是污染造成的，而非能力。 我故意不预测交叉日期。外推两条近乎平行的线交叉点在统计上是不稳定的（95%置信区间从2026年中期延伸到2028年以后）。方向和速率是可靠的，但具体日期不可靠，因此我不会将其作为标题，你也应该对任何这样做的人持怀疑态度。 真正阻碍开源模型发展的不是原始智能，而是工具调用可靠性。在BFCL v4上，Anthropic得分77.5，Google得分72.5，开源≤35B模型得分51.4，而且这个差距没有缩小。这是一个数据问题：闭源实验室使用来自自家产品（Claude Code、Codex）的数十亿真实智能体轨迹进行训练，而开源没有等价的资源。 文章最后提出了一个具体的建议：构建一个开放的框架，收集匿名的工具调用轨迹以及成功标签，并将它们汇集到一个任何人都可以训练的公共数据集中。这是一个协调问题，正是开源所擅长的，不同于前沿预训练任务。 仪表盘（实时，每日更新）：https://botlab.dev/open-source-llm-benchmarks/ 包含统计数据和图表的完整文章：https://botlab.dev/open-models-closed-ai-crossover-2026 数据来源于benchlm.ai、swe-rebench.com和伯克利BFCL排行榜。（声明：我自己项目，免费，无需注册，无广告。）