„Frontier model" nie jest architekturą, lecz klasyfikacją modeli opartą na ich pozycji na granicy możliwości. W praktyce status graniczny wyznacza się przez: (1) skalę treningu — łączną moc obliczeniową w FLOP (np. próg 10^25 FLOP w AI Act) i liczbę parametrów; (2) ocenę groźnych zdolności (dangerous capability evaluations, red-teaming) przed wdrożeniem; (3) mechanizmy governance — rejestrację, raportowanie, monitorowanie po wdrożeniu oraz standardy bezpieczeństwa uzgadniane m.in. w ramach Frontier Model Forum i instytutów bezpieczeństwa AI. Ponieważ groźne zdolności bywają emergentne, ocena łączy pomiary ilościowe (compute, parametry, benchmarki) z jakościową analizą ryzyka.
Wcześniejsze pojęcia (model fundamentalny, LLM) nie odróżniały modeli, które ze względu na skalę i zdolności mogą stwarzać ryzyko dla bezpieczeństwa publicznego, od modeli codziennego użytku. Termin dostarcza operacyjnej kategorii — często opartej na progach mocy obliczeniowej — pozwalającej ukierunkować regulacje, ocenę ryzyka i nadzór na najbardziej ryzykowne modele.
Anderljung i in. definiują modele graniczne jako wysoce zdolne modele fundamentalne o potencjalnie niebezpiecznych zdolnościach.
26 lipca 2023 Anthropic, Google, Microsoft i OpenAI zakładają branżowe forum ds. bezpieczeństwa modeli granicznych.
Pierwszy międzynarodowy szczyt poświęcony ryzykom modeli granicznych; Deklaracja z Bletchley.
Unijny AI Act wiąże ryzyko systemowe modeli ogólnego przeznaczenia z progiem mocy obliczeniowej treningu 10^25 FLOP.
Łączna moc obliczeniowa użyta w treningu; kluczowy próg regulacyjny (AI Act: 10^25 FLOP).
Rozmiar modelu; skorelowany ze zdolnościami, choć nie jest jedynym wyznacznikiem statusu granicznego.
Obsługa tekstu, obrazu, audio i wideo; modele graniczne coraz częściej są multimodalne.
Trening modeli granicznych wymaga wielkoskalowych klastrów GPU z rdzeniami tensorowymi (dziesiątki tysięcy akceleratorów).
TPU (np. Google) są stosowane do treningu i inferencji modeli granicznych, takich jak Gemini.
