Chińskie otwarte modele AI skróciły dystans do zamkniętej czołówki

Raport Mozilli opublikowany 15 września 2026 r. ocenia, że czołowe modele AI z otwartymi wagami dzieliło od zamkniętych systemów granicznych około 4,4 miesiąca możliwości mierzonej metodą opartą na horyzoncie zadań METR. To wynik dla danych zebranych do 1 września, a nie uniwersalny werdykt o każdym modelu i każdym zastosowaniu. Różnica zależy od testu, sprzętu, sposobu uruchomienia i rodzaju pracy.

Co naprawdę oznacza 4,4 miesiąca przewagi

W analizie Mozilli „miesiące” nie oznaczają daty premiery ani czasu, po którym konkretny model automatycznie zrówna się z innym. To przybliżenie różnicy w długości zadań, które modele potrafią wykonywać na określonym poziomie w dopasowanym modelu statystycznym. Inne oszacowanie przywołane w tym samym kontekście mówiło o około czterech miesiącach.

Praktyczna granica przebiegała przede wszystkim przy dłuższej pracy eksperckiej. Zadania zajmujące człowiekowi mniej niż osiem godzin mieściły się na ogół w zasięgu obu kategorii modeli, natomiast przewaga zamkniętych systemów była wyraźniejsza w przedziale około ośmiu do dwunastu godzin. Powyżej dwunastu godzin żadna z kategorii nie była ogólnie niezawodna.

To ważne rozróżnienie. Wynik nie mówi, że chiński model jest „prawie taki sam” we wszystkim. Mówi, że w części zadań różnica między kategoriami stała się na tyle mała, iż sam prestiż modelu nie powinien rozstrzygać wyboru.

Otwarte wagi to nie to samo co open source

Model open-weight udostępnia wytrenowane wagi, czyli parametry zapisujące zachowanie modelu. Można je pobrać, uruchomić i — w granicach licencji — modyfikować lub wdrażać we własnej infrastrukturze.

To jednak nie musi oznaczać pełnej otwartości. Dane treningowe, kod, potoki przygotowania danych i kompletna instrukcja odtworzenia procesu często pozostają niedostępne. Mozilla wskazała, że wśród 16 analizowanych znaczących otwartych wydań żadne nie dostarczało pełnego przepisu na dane wymaganego przez ścisłe rozumienie otwartego oprogramowania AI.

Różnica ma konkretne konsekwencje. Otwarte wagi zwiększają kontrolę nad miejscem uruchomienia modelu i ułatwiają zmianę dostawcy hostingu. Nie gwarantują natomiast pełnej wiedzy o tym, jak model powstał, na jakich danych go oceniono ani jak odtworzyć jego trening.

Gdzie modele są blisko, a gdzie nadal odstają

W przywołanym zestawieniu z 1 września 2026 r. Kimi K3 i GLM-5.3 otrzymały po 60 punktów. Cztery najwyższe pozycje zajmowały modele zamknięte, a cztery kolejne — modele z otwartymi wagami. Kimi K3 tracił trzy punkty do lidera tego zestawienia.

Bardziej konkretne porównanie daje test Terminal-Bench 2.1. Wszystkie wyniki dotyczą tego samego neutralnego środowiska, ale nie należy mieszać ich z innymi rankingami ani późniejszymi zmianami na tablicach wyników.

GLM-5.2 nie osiągnął najwyższego wyniku w tym porównaniu, ale jego deklarowany koszt zadania był znacznie niższy. To dobrze pokazuje sedno sprawy: dla wielu zespołów liczy się nie tylko maksymalny wynik, lecz także cena, możliwość kontroli nad wdrożeniem i dopasowanie do konkretnego obciążenia.

Modele zamknięte nadal miały przewagę w części profesjonalnej pracy eksperckiej, długim kontekście i intensywnym wyszukiwaniu informacji. Wniosku o całkowitym zrównaniu obu kategorii nie da się więc wyciągnąć z pojedynczego benchmarku.

Kimi K3 nie jest projektem na zwykły komputer

Kimi K3, opracowany przez Moonshot AI, dobrze ilustruje różnicę między dostępnością wag a łatwością uruchomienia. Model ma około 2,8 bln parametrów, z czego aktywnych jest około 104 mld. Jego natywny punkt kontrolny MXFP4 zajmuje około 1,56 TB i jest podzielony na 96 fragmentów.

W konfiguracji serwerowej przywołanej przez Mozillę obsługa Kimi K3 wymaga co najmniej 64 akceleratorów. To nie jest konfiguracja dla typowego użytkownika ani zwykłej stacji roboczej, nawet jeśli same wagi można pobrać.

Dla porównania, mniejszy model Inkling-Small został opisany jako mieszczący się na pojedynczym układzie B300. To jednak inny model i inna klasa sprzętowa — jego przykład nie oznacza, że Kimi K3 ma podobne wymagania.

Tani interfejs API nie oznacza taniego wdrożenia

Koszt wywołania hostowanego modelu to tylko jedna pozycja w rachunku. Przy samodzielnym uruchomieniu dochodzą akceleratory, energia, konfiguracja serwera, inżynieria, monitoring, aktualizacje, bezpieczeństwo, integracja i utrzymanie.

W analizie sprzętowej najlepszy model open-weight uruchomiony na jednym serwerze z ośmioma GPU uzyskał wynik 52,6, a najlepszy przykład na pojedynczym B300 — 40. Wynik 60 w porównaniu wymagającym infrastruktury małego centrum danych nie przekłada się automatycznie na rezultat osiągalny w biurze lub na pojedynczej karcie.

Dlatego organizacja może zapłacić za model zamknięty nie tylko za samą odpowiedź. Kupuje również gotowy dostęp, obsługę, pakiety zgodności i określony zakres odpowiedzialności dostawcy. Model open-weight daje większą kontrolę, ale wymaga własnych kompetencji operacyjnych.

Użycie rośnie szybciej niż przychody

Dane dotyczące wykorzystania i przychodów pokazują dwa różne obrazy rynku. W rankingu OpenRouter za sierpień 2026 r. osiem z dziesięciu modeli o największym wolumenie tokenów miało otwarte wagi, a siedem z tych ośmiu zbudowano w Chinach.

Starsze dane za okres od maja do września 2025 r. przypisywały natomiast zamkniętym dostawcom 96% przychodów na poziomie modeli. Nie są to pomiary z tego samego okresu ani tego samego zjawiska: pierwszy dotyczy wolumenu tokenów na platformie, drugi — przychodów.

Wniosek jest bardziej interesujący niż proste „otwarte wygrywa” albo „zamknięte wygrywa”. Modele open-weight mogą szybko zdobywać użycie dzięki niskiej cenie, przenośności i konkurencji między dostawcami hostingu, podczas gdy przychody pozostają związane z usługami, wsparciem i gotową infrastrukturą.

Największa zmiana dotyczy koncentracji

Raport Mozilli wskazuje, że ekosystem modeli open-weight jest coraz silniej zasilany przez chińskie laboratoria, między innymi Moonshot AI, Z.ai, DeepSeek, Alibaba i MiniMax. Jednocześnie najmocniejsze zamknięte systemy graniczne pozostają skupione głównie wokół firm ze Stanów Zjednoczonych.

To tworzy nietypowy układ: większa różnorodność sposobów wdrażania nie musi oznaczać większej różnorodności dostawców technologii. Firma wybierająca otwarte wagi może uniezależnić się od jednego hostowanego API, ale nadal opierać się na modelach pochodzących z wąskiej grupy laboratoriów.

Dla zespołów wybór coraz częściej będzie więc zależeć od konkretnej pracy. Rutynowe zadania, ograniczony budżet i potrzeba uruchomienia modelu we własnym środowisku przemawiają za open-weight. Długi kontekst, zadania eksperckie, intensywne wyszukiwanie oraz brak własnej infrastruktury nadal przemawiają za usługą zamkniętą.