Open Source AI Gap Map: карта открытого ИИ и её слепые зоны
Current AI выпустила Open Source AI Gap Map: интерактивную карту и открытый датасет, которые показывают зрелость и пробелы open-source AI stack.
Open Source AI Gap Map — интерактивная карта и открытый датасет Current AI для оценки зрелости открытого ИИ: какие проекты уже есть, насколько они открыты, насколько используются и где в стеке остаются пробелы. Карта не ранжирует лучшие open-source модели. Она отделяет «открытые веса» от действительно открытого проекта и показывает, на каких слоях весь стек держится на нескольких ключевых репозиториях.
По состоянию на 4 июля 2026 года базовый факт-пакет такой. В анонсе Current AI от 1 июля Gap Map v0.1 охватывает более 24 626 проектов и подробно описывает 421 продукт: 266 программных инструментов и библиотек, 85 моделей, 50 датасетов и 20 проектов железа от 228 организаций. Эти продукты разложены по 14 категориям и трём слоям стека: компоненты моделей, product/UX и инфраструктура.
Уже здесь видна главная редакционная оговорка: карта живая. В официальном скриншоте раздела Dataset видно 452 scored products и 15 категорий, а README репозитория Current AI на GitHub показывает 458 products, 249 organizations и 15 categories. Поэтому любые числа по Gap Map нужно цитировать с датой и источником, а не превращать в вечные константы.
Что именно измеряет Gap Map
Current AI пытается сделать разговор об open-source AI менее лозунговым. Вместо общего «открытый ИИ догоняет закрытый» карта задаёт более узкие вопросы: что именно открыто, кто этим пользуется, насколько продукт способен решать свою задачу и где открытая альтернатива ещё слаба.
| Что измеряет карта | Зачем это нужно | Ограничение |
|---|---|---|
| Открытость | Отделяет open source, open weights, source-available, gated и закрытые продукты. | Оценка 0-5 читается внутри типа продукта; её нельзя напрямую сравнивать между моделью, датасетом и железом. |
| Использование | Смотрит на реальные сигналы: загрузки, активных пользователей, внедрения и похожие метрики. | GitHub stars считаются слабым сигналом, а метрики использования могут искажаться. |
| Возможности | Для моделей берутся бенчмарки, для инструментов — покрытие функций и практическая пригодность. | Capability сравнима внутри категории, но не между всеми слоями стека сразу. |
| Зрелость категории | Показывает, есть ли в категории несколько зрелых полностью открытых продуктов, а не один герой. | Open-weights модели не повышают зрелость категории как fully open: это сознательно строгий подход Current AI. |
| Пробелы | Помогает увидеть, чего не хватает: открытости, использования, возможностей, зрелости или самих пригодных альтернатив. | Длинный хвост проектов пока не скорится, пока по ним нет исследования и источников. |
Ключевая деталь методологии: каждый score должен ссылаться на первичный источник. В README репозитория Current AI прямо пишет, что карта исключает продукты, которые не удаётся проверить по первоисточнику. Для медиа это хороший стандарт: лучше неполная карта с проверяемыми ячейками, чем огромная таблица, где половина данных взята из воздуха.
Почему open weights не равно open source
Для читателя, который выбирает модель для локального запуска, разница между open weights и open source часто кажется юридической мелочью. Для инфраструктуры ИИ это не мелочь. У модели могут быть доступные веса, но закрытые данные обучения, неполный код, ограничительная лицензия или слабая воспроизводимость пайплайна. В таком случае проект полезен, но он не даёт сообществу полного контроля над тем, как модель появилась и как её можно пересобрать.
Gap Map делает эту границу центральной. В методологии Current AI полноценная открытость модели требует больше, чем скачать checkpoint. Оцениваются веса, данные, код, чекпойнты и лицензия; для ПО смотрят на классы лицензий OSI, для железа — на открытость схем, SDK и документации. Поэтому карта может показать неприятную вещь: категория кажется сильной по возможностям, но зрелые лидеры в ней остаются лишь «open-ish».
Это разводит новый материал с нашим обзором про open-source модели в 2026. Там вопрос был практический: как выбирать между Llama, Mistral, Qwen и похожими семействами. Здесь вопрос другой: какие части AI stack действительно открыты, а где рынок называет открытостью только доступ к весам.
Где карта полезна разработчику
Самый практичный сценарий — аудит зависимости. Если команда строит продукт на открытом стеке, ей важно знать не только «есть ли библиотека», но и сколько у неё зрелых альтернатив. Current AI приводит показательный пример с inference code: vLLM, llama.cpp и SGLang зрелые, популярные и действительно открытые, но их немного. Слой выглядит сильным по возможностям и одновременно уязвимым по глубине.
Это близко к проблеме, которую мы разбирали в материале про нагрузку на open-source инфраструктуру из-за AI. Если вся цепочка сборки, инференса или оценки держится на нескольких проектах, открытость сама по себе не спасает от bus factor, перегруза мейнтейнеров и внезапных поломок в supply chain.
Второй сценарий — выбор слоя для инвестиций или внутренней разработки. Карта показывает, где категория уже переполнена похожими проектами, а где нет зрелой открытой альтернативы. Для команды это способ не делать ещё один wrapper там, где дефицит находится ниже: в данных, eval-инфраструктуре, inference backend, monitoring или аппаратном слое. Рядом полезно держать наш разбор про AI-инфраструктуру ниже моделей: Gap Map показывает, почему инфраструктурный слой нельзя оставлять невидимым.
Что даёт открытый датасет
Главная ценность Gap Map не в красивом интерфейсе, а в репозитории currentai-org/os-ai-map. Там данные лежат в YAML-файлах внутри `sources/`: отдельно продукты, организации, категории, score-записи и taxonomy. Сборка валидируется схемами и тестами, а опубликованная карта рендерится из этих данных.
Это меняет тип дискуссии. Если вы не согласны с оценкой продукта, можно смотреть конкретный score и его источники. Если продукта нет, можно предложить добавление через issue или pull request. Если категория плохо описана, есть путь к исправлению. Для open-source AI это важнее очередного market map в PDF: карта становится спорной, проверяемой и редактируемой.
Но открытый датасет не делает выводы автоматически истинными. Current AI прямо пишет в методологии, что scores остаются редакционными суждениями, а не полностью воспроизводимой формулой. Это нормальная честность для v0.1. Главное, что цепочка источников открыта и её можно критиковать предметно.
Где у Gap Map слепые зоны
Первое ограничение — покрытие. Анонс говорит о 24 400+ артефактах длинного хвоста, которые пока не получают score, пока не будут исследованы и подтверждены источниками. Значит, карта хорошо показывает верхнюю часть стека, но не является переписью всего open-source AI.
Второе ограничение — язык и видимость источников. Методология признаёт, что описания продуктов и keyword-поиск англоцентричны. Это может занижать видимость региональных проектов, особенно если документация, комьюнити и adoption-сигналы живут не в англоязычных каналах.
Третье ограничение — сама шкала зрелости. Current AI считает зрелыми только fully open продукты. Это помогает не смешивать open source и open weights, но делает выводы строже для модельного слоя. Если считать open weights как open, часть модельных категорий выглядела бы зрелее. Методология прямо описывает этот эффект, поэтому читателю не нужно угадывать, где спрятано редакционное решение.
Четвёртая оговорка — карта не сравнивает открытый и закрытый ИИ. Current AI подчёркивает, что Gap Map не показывает, где open source лидирует или отстаёт от closed AI. Она отвечает на другой вопрос: что нужно, чтобы собрать более полный открытый стек.
Главный вывод
Open Source AI Gap Map полезна как инструмент аудита, а не как табло победителей. Она заставляет задавать более точные вопросы: где мы зависим от open weights вместо open source, где зрелый слой держится на двух-трёх проектах, какие категории выглядят сильными только потому, что мы не различаем открытость кода, весов, данных и лицензии.
Для разработчика это карта риска. Для инвестора или грантовой программы — список мест, где деньги могут закрыть реальный пробел. Для редакции — напоминание, что «open-source AI» нельзя писать как один цельный рынок. Внутри него есть модели, датасеты, инструменты, inference, eval, UX и железо, и у каждого слоя своя степень открытости.
FAQ
Что такое Open Source AI Gap Map?
Open Source AI Gap Map — карта и датасет Current AI, которые оценивают open-source AI stack по открытости, использованию, возможностям, зрелости категорий и пробелам. Версия v0.1 опубликована Current AI 1 июля 2026 года.
Карта показывает лучшие open-source модели?
Нет. В ней есть модели, но задача шире: показать весь открытый AI stack, включая инструменты, датасеты, inference code, eval-инфраструктуру, product/UX и железо. Для выбора конкретных моделей лучше читать отдельные обзоры моделей.
Почему числа в статье и на скриншоте отличаются?
Gap Map обновляется. Текст анонса Current AI фиксирует стартовую v0.1, а официальный интерфейс и README репозитория уже показывают другие счётчики. Поэтому в статье указана дата проверки: 4 июля 2026 года.
Можно ли использовать данные карты в своих проектах?
Да. Репозиторий `currentai-org/os-ai-map` опубликован на GitHub под MIT license. Данные и score-записи можно проверять, обсуждать и улучшать через contribution flow проекта.
Источники и дата проверки
Факты проверены 4 июля 2026 года. Быстро меняющиеся счётчики Gap Map нужно перепроверять перед цитированием.
- Current AI: Introducing the Gap Map v0.1 — анонс, дата публикации, стартовые счётчики, методология на уровне статьи и позиционирование карты.
- Open Source AI Gap Map — интерактивная карта и раздел Dataset, использованные для изображений в статье.
- GitHub: currentai-org/os-ai-map — открытый репозиторий данных, README, лицензия MIT, структура `sources/` и contribution flow.
- Current AI methodology.md — подробная методология: оси score, maturity stages, gaps, ограничения и различие open source/open weights.
- Simon Willison: Open Source AI Gap Map — RSS-источник темы и дополнительная проверка факта открытого датасета на GitHub.
