20 பெரிய மொழி மாதிரிகளின் (LLMs) புதிய ஒப்பீடு, 2026-ல் எந்தவொரு தனித்தனி மாதிரியும் அனைத்துப் பணிகளிலும் ஆதிக்கம் செலுத்தாது என்பதைக் காட்டுகிறது. ஒவ்வொரு பணியையும் ஒரு நிபுணத்துவ மாதிரிக்கு (specialist) வழிநடத்துவது செலவைக் குறைத்து, பணிகளை விரைவாக முடிக்க உதவும். இந்த ஆய்வு Anthropic, OpenAI, Google, xAI, Meta மற்றும் பல சீன ஆய்வகங்களை ஒப்பிட்டுப் பார்த்தது; தவறான மாதிரியைத் தேர்ந்தெடுப்பது பணம் மற்றும் நேரத்தை வீணடிக்கும் என்பதையும் கண்டறிந்தது.
ஏன் ஒரு தனி LLM இனி போதுமானதாக இல்லை
ஒரு வருடத்திற்கு முன்பு, பெரும்பாலான டெவலப்பர்கள் குறியீட்டு முறை (code) முதல் ஆராய்ச்சி பதில்கள் வரை அனைத்திற்கும் ஒரே மாதிரியைத் தேர்ந்தெடுத்தனர். குறியீட்டு முறை, கருவி ஒருங்கிணைப்பு (tool orchestration), ஆழமான பகுத்தறிவு மற்றும் குறைந்த செலவு ஆகியவற்றிற்காக உருவாக்கப்பட்ட மாதிரிகளுக்கு இடையிலான இடைவெளிகள் இப்போது அதிகரித்துள்ளன. எனவே, அனைத்துத் தேவைகளுக்கும் ஒரே மாதிரியைப் பயன்படுத்தும் அணுகுமுறை இப்போது பலனளிப்பதை விடத் தொந்தரவாகவே உள்ளது.
இந்த ஒப்பீடு எவ்வாறு உருவாக்கப்பட்டது
நான் அனைத்து 20 மாதிரிகளிலும் ஒரே மாதிரியான பணிகளைச் செய்தேன், நிறுவனங்களின் சந்தைப்படுத்தல் கூற்றுகளைப் புறக்கணித்து, சுதந்திரமான மற்றும் மீண்டும் உருவாக்கக்கூடிய தரவுகளில் கவனம் செலுத்தினேன். பணிகள் நான்கு வகைகளாகப் பிரிக்கப்பட்டுள்ளன:
- Coding and autonomy – உற்பத்தித் தரத்திலான குறியீடுகளை உருவாக்குதல், ஏஜென்டிக் லூப்களைக் (agentic loops) கையாளுதல்.
- Tool use and orchestration – வெளிப்புற API-களை அழைத்தல், கோப்புகளைக் கையாளுதல், கணினியை இயக்குதல்.
- Reasoning and science – கணிதப் பிரச்சனைகளைத் தீர்த்தல், ஆராய்ச்சித் தரவுகளை விளக்குதல்.
- Value – மிகக் குறைந்த செலவில் ஏற்றுக்கொள்ளத்தக்க தரத்தை வழங்குதல்.
இதன் மூலம் கிடைக்கும் மேட்ரிக்ஸ் (matrix), பொறியாளர்கள் மிகவும் பிரபலமான பெயர்களைத் தேடிப் போகாமல், ஒரு பணியின் தன்மைக்கு ஏற்ற மாதிரியின் வலிமையைச் சரியாகப் பொருத்த அனுமதிக்கிறது.
ஒவ்வொரு பிரிவிலும் முன்னணியில் உள்ள மாதிரிகள்
Coding and autonomy – Claude Opus 5 மற்றும் Fable 5 ஆகியவை தொடர்ந்து முதலிடத்தில் உள்ளன; இவை சிக்கலான குறியீட்டு உருவாக்கம் மற்றும் பல படிநிலைகளைக் கொண்ட லூப்களை மிகக் குறைந்த மறுமுயற்சிகளுடன் கையாளுகின்றன. GPT-5.6 Sol, முதல் இரண்டு மாதிரிகள் கிடைக்காதபோது ஒரு சிறந்த மாற்றாக உள்ளது.
Tool use and orchestration – வெளிப்புறக் கருவிகளைப் பயன்படுத்துவதில் Meta-வின் Muse Spark 1.1 மிகவும் நம்பகமானதாக நிரூபிக்கப்பட்டது, அதே நேரத்தில் Gemini 3.6 Flash, ஸ்பிரெட்ஷீட் கையாளுதல் மற்றும் UI ஆட்டோமேஷன் போன்ற கணினிப் பயன்பாட்டுச் சூழல்களில் சிறந்து விளங்குகிறது.
Reasoning and science – கணிதம் மற்றும் ஆராய்ச்சிக்கு GPT-5.6 Sol மற்றும் Gemini 3.1 Pro சிறந்த தேர்வுகளாக இருந்தன.
Maximum value – ஓபன்-வெயிட் (Open-weight) சீன மாதிரிகளான GLM-5.2 மற்றும் DeepSeek V4 ஆகியவை, முன்னணி மாதிரிகளின் விலையை விட மிகக் குறைந்த விலையில் உயர்தரத் தரத்தை எட்டியுள்ளன. சிறிய அளவிலான தரக் குறைவைத் தாங்கிக்கொள்ளும் குழுக்கள், குறைந்த செலவில் சிறந்த பலனைப் பெற முடியும்.
Open-weight leaders – Kimi K3 தற்போது மிகவும் வலிமையான திறந்தநிலை மாதிரியாக உள்ளது. Meta-வின் Llama 4 பின்தங்கியுள்ளது.
சுருக்கமாகச் சொன்னால்: ஒரு குறிப்பிட்ட வேலைக்கு "மிகவும் புத்திசாலித்தனமான" மாதிரி எப்போதும் மிகவும் சிக்கனமானதாகவோ அல்லது வேகமானதாகவோ இருக்காது.
உற்பத்தி அமைப்புகளுக்கான ரூட்டிங் உத்தி (Routing strategy)
- Route, don’t standardize – மாதிரித் தேர்வை ஒரு நிலையான முடிவாகப் பார்க்காமல், ஒரு மாறும் முடிவாகக் கருதவும்.
- Default cheap, escalate on failure – பணியைச் செய்யக்கூடிய மிகக் குறைந்த செலவு கொண்ட மாதிரியிலிருந்து தொடங்கவும்; அது தோல்வியடைந்தால், அடுத்த நிலை உயர்நிலை மாதிரிக்கு மாறவும்.
- Separate planner from worker – ஒரு சிக்கலைத் தனித்தனிப் படிநிலைகளாகப் பிரிக்க ஒரு வலிமையான பகுத்தறிவு மாதிரியை (எ.கா., Opus 5) பயன்படுத்தவும், பின்னர் மீண்டும் மீண்டும் செய்ய வேண்டிய துணைப் பணிகளை ஒரு மலிவானச் செயல்பாட்டுக் கருவிக்கு (எ.கா., Gemini Flash) ஒப்படைக்கவும்.
- Measure success, not just token usage – மூன்று முறை முயற்சி செய்து முடிக்கும் ஒரு மலிவான மாதிரி, முதல் முயற்சியிலேயே சரியாகச் செய்து முடிக்கும் ஒரு விலையுயர்ந்த மாதிரியை விட அதிகச் செலவை ஏற்படுத்தக்கூடும்.
அடுத்து எதைக் கவனிக்க வேண்டும்
டெவலப்பர்கள் இந்த ரூட்டிங் வரைபடத்தை ஒரு நேரடி ஆவணமாகக் கருத வேண்டும் மற்றும் ஒவ்வொரு முக்கிய வெளியீட்டின் போதும் மாதிரித் தேர்வுகளை மறுபரிசீலனை செய்ய வேண்டும்.
முடிவுரை
2026-ல், LLM-களை ஒரு ஒற்றைச் சுவிஸ் ஆர்மி கத்தியாகப் பார்க்காமல், ஒரு கருவிப் பெட்டியாக (toolbox) கருதும் குழுக்களே போட்டியில் முன்னிலை வகிக்கும். பணிகளை அவற்றுக்குச் சிறந்த மாதிரிகளுடன் பொருத்துவதன் மூலம், நிறுவனங்கள் AI செலவைக் குறைப்பதோடு விரைவாக முடிவுகளையும் பெற முடியும். உண்மையான வெற்றி என்பது ஒரு புதிய தலைப்புச் செய்தியாக வரும் மாதிரியில் இல்லை; அது சரியான அறிவுத்திறனைத் தேவையான இடத்தில் சரியாகப் பயன்படுத்தும் ஒரு ஒழுக்கமான ரூட்டிங் உத்தியில்தான் உள்ளது.