Chińskie modele z otwartymi wagami wysuwają się na prowadzenie. Nowe dane pokazują, po które naprawdę sięgają firmy
Chińskie modele AI odpowiadały za 57% do 67% wszystkich tokenów w OpenRouter w tygodniu od 14 września 2026 r., wobec 6% do 13% w lutym, wynika z danych o użyciu, o których CNBC poinformowało 26 września.

Wyścig modeli AI opisują dziś dwie tabele porównawcze. Jedna mierzy, jak dobre są modele w testach. Druga pokazuje, za które programiści faktycznie płacą. W 2026 r. najpierw zmieniła się ta druga i przesunęła się w stronę chińskich modeli z otwartymi wagami.
Chińskie modele przeszły z mniejszości ruchu do większości na dwóch bramkach dla programistów: OpenRouter i Vercel. Dane o użyciu, na których opiera się ten zwrot, udostępniono CNBC i opublikowano 26 września. W OpenRouter chińskie modele odpowiadały za 57% do 67% tokenów w tygodniu od 14 września, wobec 6% do 13% w lutym. W Vercel ich udział wzrósł do 55% w sierpniu z 11% w styczniu. Dane z OpenRouter obejmują firmy w USA, Europie i w tym, co serwis nazywa „Globalnym Południem”: 82 kraje w Ameryce Środkowej i Południowej, Afryce i Azji. Vercel nie podał podziału geograficznego.
To nie to samo co przewaga jakościowa. CNBC podało, że najbardziej zaawansowane amerykańskie modele wciąż wygrywają większość testów porównawczych. Przyciągają też większe wydatki ogółem.
Najpierw cena, potem kompetencje
Peter Walker, szef działu analiz w OpenRouter, powiedział CNBC, że chińskie modele open source wydane w tym roku „mogą wiarygodnie działać w zaawansowanych zastosowaniach agentowych, zwłaszcza w kodowaniu, czego pod koniec 2025 r. po prostu nie było”. Dodał, że są „niesłychanie opłacalne w porównaniu z większością modeli z amerykańskich laboratoriów”. Harpreet Arora, szef infrastruktury agentowej w Vercel, opisał mechanizm wprost: „Chińskie modele stają się wystarczająco dobre do coraz większej liczby zadań przy znacznie niższym koszcie. Gdy model spełnia próg jakości dla danego zadania, ta różnica w cenie zaczyna przeważać”. Arora powiedział też, że firmy nadal chcą czołowych amerykańskich modeli do niektórych trudniejszych zadań. To sugeruje, że zmiana dotyczy konkretnych zastosowań, a nie całkowitego przestawienia się.
Dianne Penn, szefowa działu zarządzania produktem ds. badań i laboratoriów w Anthropic, powiedziała CNBC, że firma stara się, by jej modele odpowiadały „efektywniej, zużywając mniej tokenów w zależności od ustawienia wysiłku”. OpenAI i Anthropic ogłosiły tańsze modele w tygodniu przed publikacją materiału CNBC. W zestawieniu z danymi o użyciu wygląda to na odpowiedź cenową na problem cenowy.
Kto faktycznie się przestawia
Geografia ma znaczenie. Firmy z regionu, który OpenRouter nazywa Globalnym Południem, są największymi użytkownikami chińskich modeli w tym systemie. Wysyłają 67% swoich tokenów do modeli chińskich. Około połowy wszystkich tokenów w OpenRouter zużywają firmy z USA.
Daniel Remler, senior fellow w programie technologii i bezpieczeństwa narodowego w Center for a New American Security, powiedział CNBC, że chińska rozbudowa AI to „realne ryzyko gospodarcze i dla bezpieczeństwa Stanów Zjednoczonych”. Jego obawa nie dotyczy wyników testów: „Największy problem polega na tym, że integracja chińskich modeli AI wciąga kraje w chińską strefę wpływów technologicznych, która twardnieje w polityczne przyporządkowanie”. Remler wskazał, że szczególnie w Azji Południowo-Wschodniej może dojść do dużego wzrostu użycia ze względu na związki gospodarcze i kulturowe z Chinami, i że „wszędzie od Lagos po São Paulo i Dżakartę, gdzie przedsiębiorcy i rządy szukają tanich, otwartych modeli, najpierw spojrzą na chińską AI”.
Dwie komisje Izby Reprezentantów USA badają skutki rosnącego przyjęcia chińskich modeli, podało CNBC. USA ograniczyły też chińskim firmom AI zakup najnowocześniejszych chipów przez kontrolę eksportu. Waszyngton niepokoi się między innymi zdalnym dostępem do chipów Nvidii przez centra danych za granicą oraz „destylacją”, w której nowe modele naśladują starsze, bardziej ugruntowane. Jak podało CNBC, AI było jednym z głównych tematów, gdy w tygodniu publikacji spotkali się prezydent USA Donald Trump i prezydent Chin Xi Jinping.
Problem nieświeżości pod spodem
Jest drugi, cichszy problem w ocenianiu wydań modeli i nie ma on nic wspólnego z geopolityką. Data wydania to moment, w którym laboratorium wypuściło model. Granica treningu to moment, w którym przestał czytać. Odstęp między nimi pokazuje, jak bardzo model był już spóźniony w dniu startu.
Strona opublikowana 16 września, „How stale is your AI?”, wymienia daty wydania i granice treningu dla 20 modeli z 8 laboratoriów. GPT-6 Astra, datowany tam na 3 września 2026 r., ma granicę treningu 30 kwietnia 2026 r. GPT-6 Sol ma granicę 20 kwietnia 2026 r., a GPT-6 Luna 18 maja 2026 r. Claude Opus 5.5 i Claude Fable 5.1 przestają czytać w czerwcu 2026 r. Dziesięć z 20 modeli na tej stronie ma granicę podaną przez laboratorium. Reszta jest oznaczona jako „not established”. Strona wyjaśnia, że to znaczy, iż sprawdzone źródła dostawców jej nie ustaliły, a nie że granica nie istnieje.
„Puste pole oznacza, że sprawdzone źródła dostawców nie ustaliły granicy dla tego modelu; to nie dowód, że laboratorium nigdy jej nie publikowało.”
Strona podaje też test, czy modele sięgają po narzędzie wyszukiwania, kiedy powinny. Na ponad 2000 wywołań w 16 modelach, z których każdy dostał narzędzie wyszukiwania w sieci, modele czołowe decydowały poprawnie niemal za każdym razem. Słabsze odpowiadały z pamięci na ustalone pytania po tym, jak odpowiedź się zmieniła. Szukały też w sieci rzeczy takich jak temperatura wrzenia wody. W jednym z promptów o królu Norwegii, jak podaje strona, pięć modeli wskazało zmarłego człowieka.
Wyszukiwanie tego nie naprawia, przekonuje strona. Model zapomina, co przeczytał, gdy sesja się kończy. Decyzja o wyszukaniu też zapada na tych samych wagach, na których trzyma się nieaktualny fakt.
Kontrapunkt małych modeli
Nie każde wydanie z tego samego tygodnia goni za skalą. Cactus opublikował 18 września Needle 3, model bazowy dla małych urządzeń, z binarkami CQ2-bit od 9 do 29 MB i schodkową architekturą od 29 do 121 mln parametrów. Dokumentacja twierdzi, że czterowarstwowa podsieć może dorównać DeepSeek V4 Flash, gdy dostroi się ją do zadań końcowych przez jedną epokę. Podaje też 400 do 4000 tokenów/s dekodowania na Raspberry Pi 5.
21 września projekt o nazwie mini-AGI opublikował bajtowy model językowy uczący się w trybie ciągłym, trenowany od zera na jednym GPU z 8 GB VRAM, czytający jeden strumień danych. W README nazwano go „małym modelem zabawkowym”. Wagi nie są jeszcze opublikowane, bo przebieg wciąż jest na pierwszym przejściu przez korpus. Najniższa dotychczasowa strata na zbiorze odłożonym to 0,7417 nata, czyli 1,0700 bita na znak, przy 562,9 mln z 7,879 mln znaków, 7,14% danych.
Tego samego dnia Cua udostępniła CUA-S1 jako wydanie badawcze tylko w formie kodu źródłowego: małe, wyspecjalizowane modele „Systemu 1” do decyzji przy obsłudze komputera, na przykład wyboru, która wartość należy do pola. Firma opisuje to jako inżynierską analogię szybkich, ograniczonych decyzji, a nie zamiennik planowania w modelu ogólnego przeznaczenia.
Żaden z tych trzech nie stanie na czele tabeli testów. O to właśnie chodzi. Cykl wydawniczy biegnie teraz kilkoma torami naraz. Ten z najszybszym przyjęciem nie jest tym z najlepszymi wynikami.
Źródła
5- 01Chinese AI models surge in global popularity — and Washington is worriedEN
- 02How stale is your AI? Release age and training cutoff for 20 modelsEN
- 03Needle 3 - 8-29 MB foundation model for tiny devicesEN
- 04mini-AGI: Continual learning model trained from scratch on 8GB VRAMEN
- 05CUA-S1 – A System One Model for Computer UseEN
Wszystkie liczby i cytaty w tym tekście pochodzą z poniższych źródeł. Nie dopisujemy danych, których w źródłach nie ma.
Materiały zostały przygotowane przez zespół redakcyjny wspierane przez AI.
Komentarze
0- Brak komentarzy — bądź pierwszy.