Chińskie modele open weight wychodzą na prowadzenie. Nowe dane o tym, kto ich naprawdę używa

Dwie tabele rankingowe opowiadają dziś historię wyścigu modeli AI. Jedna mierzy, jak dobre są modele w testach. Druga mówi, za które programiści faktycznie płacą. W 2026 roku najpierw ruszyła się ta druga i przesunęła się w stronę chińskich wydań open weight.

CNBC dotarło do danych o użyciu i opublikowało je 26 września. Wynika z nich, że chińskie modele przeszły od niewielkiej mniejszości ruchu do większości na dwóch bramkach dla programistów: OpenRouter i Vercel. Na OpenRouterze odpowiadały za 57% do 67% zużytych tokenów w tygodniu 14 września, w górę z 6% do 13% w lutym. Na Vercelu udział wzrósł do 55% w sierpniu z 11% w styczniu. Liczba z OpenRoutera obejmuje firmy ze Stanów Zjednoczonych, Europy i z tego, co serwis określa jako „Globalne Południe”: 82 kraje w Ameryce Środkowej i Południowej, Afryce i Azji. Vercel nie podał podziału geograficznego.

To jednak nie to samo co przewaga jakościowa. CNBC podało, że najbardziej zaawansowane modele amerykańskie nadal prowadzą w większości rankingów i że amerykańskie modele frontier przyciągają większe wydatki ogółem.

Cena, potem kompetencje

Peter Walker, szef działu analiz w OpenRouterze, powiedział CNBC, że chińskie modele open source wydane w tym roku „potrafią wiarygodnie działać w zaawansowanych zastosowaniach agentowych, zwłaszcza jeśli chodzi o kodowanie, czego w końcu 2025 roku po prostu nie było”. Dodał, że są „niezwykle opłacalne w porównaniu z większością modeli z amerykańskich laboratoriów”. Harpreet Arora, szef infrastruktury agentowej w Vercelu, ujął mechanizm wprost: „Chińskie modele stają się wystarczająco zdolne do coraz większej liczby zadań przy znacznie niższym koszcie. Gdy model spełnia próg jakości wymagany do zadania, ta różnica w cenie staje się przekonująca”. Arora powiedział też, że firmy nadal chcą modeli frontier ze Stanów Zjednoczonych do niektórych trudniejszych zadań. To sugeruje, że zmiana dotyczy konkretnych obciążeń, a nie jest całkowitym przestawieniem się.

Dianne Penn, szefowa zarządzania produktem ds. badań i laboratoriów w Anthropicu, powiedziała CNBC, że firma stara się, by jej modele odpowiadały „wydajniej, tak aby zużywały mniej tokenów w zależności od ustawienia wysiłku”. OpenAI i Anthropic ogłosiły tańsze modele w tygodniu przed publikacją CNBC. W zestawieniu z liczbami użycia to reakcja cenowa na problem z ceną.

Kto faktycznie się przestawia

Geografia ma znaczenie. Firmy z regionu, który OpenRouter określa jako Globalne Południe, są największymi użytkownikami chińskich modeli AI w tym systemie: 67% tokenów zużywanych przez te firmy trafia do modeli chińskich. Około połowy wszystkich tokenów na OpenRouterze zużywają firmy ze Stanów Zjednoczonych.

Daniel Remler, starszy analityk w programie technologii i bezpieczeństwa narodowego w Center for a New American Security, powiedział CNBC, że chińska rozbudowa AI to „realne ryzyko gospodarcze i bezpieczeństwa dla Stanów Zjednoczonych”. Jego obawa nie dotyczy wyników rankingów: „Największy problem polega na tym, że integracja chińskich modeli AI wciąga kraje w chińską strefę wpływów technologicznych, która twardnieje w sojusz geopolityczny”. Remler powiedział, że szczególnie w Azji Południowo-Wschodniej może dojść do znacznego wzrostu użycia ze względu na powiązania gospodarcze i kulturowe z Chinami. „Od Lagos po São Paulo i Dżakartę, gdzie przedsiębiorcy i rządy szukają tanich, otwartych modeli, najpierw spojrzą na chińską AI” — dodał.

Dwie komisje Izby Reprezentantów badają wpływ rosnącego użycia chińskich modeli, podało CNBC. Stany Zjednoczone ograniczyły chińskim firmom AI zakup najbardziej zaawansowanych układów poprzez kontrolę eksportu. Wśród obaw Waszyngtonu jest zdalny dostęp do chipów Nvidii przez zagraniczne centra danych oraz „destylacja”, w której nowe modele naśladują starsze, lepiej ugruntowane. AI była głównym tematem, gdy prezydent Stanów Zjednoczonych Donald Trump i prezydent Chin Xi Jinping spotkali się w tygodniu publikacji raportu, podało CNBC.

Problem dezaktualizacji pod spodem

Jest drugi, cichszy problem ze sposobem oceniania wydań modeli i nie ma on nic wspólnego z geopolityką. Data wydania to moment, w którym laboratorium wypuściło model. Data odcięcia treningu to moment, w którym przestał czytać. Luka między nimi to dystans, o jaki model już w dniu premiery był zapóźniony.

Strona opublikowana 16 września, „How stale is your AI?”, wymienia daty wydania i daty odcięcia treningu dla 20 modeli z 8 laboratoriów. GPT-6 Astra, datowany tam na 3 września 2026 roku, ma odcięcie treningu 30 kwietnia 2026 roku. GPT-6 Sol ma odcięcie 20 kwietnia 2026 roku, a GPT-6 Luna 18 maja 2026 roku. Claude Opus 5.5 i Claude Fable 5.1 przestają czytać w czerwcu 2026 roku. Dziesięć z 20 modeli na tej stronie ma odcięcie publikowane przez swoje laboratorium. Pozostałe są oznaczone jako „nieustalone”, co według strony znaczy, że sprawdzone źródła dostawcy go nie ustaliły, a nie że odcięcie nie istnieje.

„Puste pole oznacza, że sprawdzone źródła dostawcy nie ustaliły odcięcia dla tego modelu; to nie dowód, że laboratorium nigdy go nie publikowało.”

Strona podaje też test tego, czy modele sięgają po narzędzie wyszukiwania, gdy powinny. Ponad 2 000 wywołań na 16 modelach, każdemu dano narzędzie wyszukiwania w sieci. Modele frontier decydowały poprawnie niemal za każdym razem. Słabsze odpowiadały z pamięci na rozstrzygnięte pytania po tym, jak odpowiedź się zmieniła, i szukały w sieci rzeczy takich jak temperatura wrzenia wody. W jednym z promptów o królu Norwegii strona podaje, że pięć modeli wymieniło zmarłego człowieka.

Wyszukiwanie tego nie naprawia, argumentuje strona, bo model zapomina, co przeczytał, gdy sesja się kończy, a decyzja o wyszukaniu działa na tych samych wagach, które przechowują nieaktualny fakt.

Kontrpunkt małych modeli

Nie każde wydanie z tego samego tygodnia goni za skalą. Cactus opublikował Needle 3 18 września, model bazowy dla małych urządzeń z binariami CQ2-bit o rozmiarze od 9 do 29 MB i architekturą drabinkową od 29M do 121M parametrów. Dokumentacja twierdzi, że czterowarstwowa podsieć może dorównać DeepSeek V4 Flash po dostrojeniu na zadaniach downstream przez jedną epokę, i podaje 400 do 4 000 tokenów/s dekodowania na Raspberry Pi 5.

21 września projekt o nazwie mini-AGI opublikował uczony od zera model językowy na poziomie bajtów, z uczeniem ciągłym, trenowany na jednym GPU z 8 GB VRAM, czytający jeden strumień danych. Jego README nazywa go „małym modelem zabawkowym” i podaje, że wagi nie są jeszcze opublikowane, bo przebieg wciąż trwa w pierwszym przejściu przez korpus. Najniższa dotychczasowa strata na zbiorze odłożonym to 0,7417 nata, czyli 1,0700 bita na znak, przy 562,9M z 7 879M znaków, 7,14% danych.

Tego samego dnia Cua wydała CUA-S1 jako wydanie badawcze dostępne tylko w kodzie źródłowym: małe, wyspecjalizowane modele „Systemu 1” do decyzji związanych z obsługą komputera, takich jak wybór wartości, która należy do pola. Firma opisuje go jako inżynieryjną analogię szybkich, ograniczonych decyzji, a nie zamiennik planowania agenta ogólnego przeznaczenia.

Żaden z tych trzech nie stanie na czele tabeli rankingowej. Właśnie o to chodzi. Cykl wydawniczy biegnie teraz kilkoma torami naraz, a ten z najszybszym wzrostem użycia nie jest tym z najlepszymi wynikami.