Modele

DeepSeek V4 Pro (13 sierpnia 2026)

Flagowy model wieńczący letnią falę. DeepSeek V4 Pro to model Mixture-of-Experts z 1,6 biliona parametrów, z czego 49 miliardów jest aktywnych na token. Oferuje okno kontekstowe 1 miliona tokenów i do 384 000 tokenów wyjściowych w trzech trybach rozumowania (standardowy, wysokiego wysiłku, maksymalnego wysiłku) . W benchmarku Terminal-Bench 2.1 uzyskał wynik 87,9 – o 15,8% lepszy od wersji z kwietnia – i osiąga wydajność porównywalną z Claude Fable 5 przy koszcie około 1/57 . Reuters podaje, że model "zbliża się, a w niektórych testach przewyższa Claude Fable 5" w benchmarkach agentowych i inżynierii oprogramowania .

Ceny: 0,435 USD za milion tokenów wejściowych, 0,87 USD za milion tokenów wyjściowych w stawkach standardowych, z rabatami za pamięć podręczną sięgającymi 97% . W trybie maksymalnego wysiłku ceny wynoszą 1,32 USD/3,96 USD za milion tokenów .

Moonshot Kimi K3 (16/27 lipca 2026)

Firma Moonshot AI udostępniła model, który określa mianem "pierwszego otwartego modelu w klasie 3 bilionów parametrów" – model Mixture-of-Experts z 2,8 biliona parametrów, aktywujący 16 z 896 ekspertów na token, z oknem kontekstowym 1 miliona tokenów i natywnymi możliwościami multimodalnymi (wizja + tekst) . Pełne wagi zostały udostępnione na Hugging Face 27 lipca na zmodyfikowanej licencji MIT . Model jest dostępny na Kimi.com, Kimi Work, Kimi Code i Kimi API .

Zhipu AI GLM-5.2 (13/16 czerwca 2026)

Model, który zapoczątkował falę. GLM-5.2 to model MoE z 744 miliardami parametrów (około 40 miliardów aktywnych na token), oknem kontekstowym 1 miliona tokenów i licencją MIT . Ocena NIST CAISI określa jego ogólne możliwości jako podobne do GPT-5.2 (grudzień 2025), a cyberbezpieczeństwo jako podobne do Claude Opus . Uzyskuje wynik 81,0 w Terminal-Bench 2.1 i 62,1 w SWE-bench Pro – najlepszy wynik wśród modeli o otwartej wadze w Artificial Analysis Intelligence Index . Ceny API są około 10 razy niższe niż Claude czy GPT-5 .

Meituan LongCat-2.0 (30 czerwca 2026)

Model MoE z 1,6 biliona parametrów (48 miliardów aktywnych na token), z oknem kontekstowym 1 miliona tokenów, udostępniony na licencji MIT . Jego kluczowa cecha: pierwszy model o bilionie parametrów wytrenowany i uruchomiony w całości na chińskich chipach – na klastrze 50 000 układów Huawei Ascend 910B/C . Według testów Meituana, przewyższa on GPT-5.5 w benchmarkach inżynierii oprogramowania . Przed oficjalną premierą anonimowo zajmował pierwsze miejsce w rankingu OpenLLM jako "Owl Alpha" . Ceny API: 0,75 USD/2,95 USD za milion tokenów wejściowych/wyjściowych, z promocyjną ofertą startową 0,30 USD/1,20 USD .

Jak wypadają w porównaniu z amerykańskimi modelami?

Szersze implikacje

Globalne wdrożenia w przedsiębiorstwach

Firmy poza Chinami mają teraz wiarygodne, tanie i otwarte alternatywy dla amerykańskich modeli API. Licencja MIT dla GLM-5.2 bez żadnych ograniczeń regionalnych oznacza, że każda firma może go samodzielnie hostować komercyjnie . To zmienia decyzje zakupowe w Azji Południowo-Wschodniej, na Bliskim Wschodzie, w Afryce i częściach Europy.

Paradoks kontroli eksportu

Dowody wyraźnie wskazują, że amerykańskie kontrole eksportu układów scalonych przyniosły odwrotny skutek, przynajmniej na dwa sposoby:

• Przyspieszenie opanowania krajowych chipów: LongCat-2.0 wytrenowano na klastrze 50 000 chińskich procesorów Huawei Ascend, udowadniając, że trenowanie na poziomie granicznym jest możliwe bez amerykańskiego sprzętu . To przyspieszyło rozwój chińskiego ekosystemu chipów AI szybciej, niż zrobiłyby to siły rynkowe.
• Wymuszona wydajność algorytmiczna: Odcięte od dostępu do wydajnych GPU, chińskie laboratoria zoptymalizowały architektury pod kątem rzadkości MoE, rzadkiej uwagi i wydajności aktywnych parametrów bardziej agresywnie niż amerykańskie. Efektem są modele osiągające porównywalną wydajność przy ułamku budżetu obliczeniowego – przewaga kosztowa 10–57 razy .

Co pozostaje niepotwierdzone

Nie znaleziono wiarygodnych źródeł dla konkretnych cen za zadanie, takich jak 0,06 USD za DeepSeek V4 Pro czy 2,34 USD za Claude Opus 5. Modele Tencent Hy3 i Alibaba Qwen3.8-Max również nie mają potwierdzonych specyfikacji ani dat premiery w dostępnych dowodach.

Zastrzeżenie dotyczące źródeł

Artykuł opiera się na dostępnych dowodach z połowy sierpnia 2026 roku. Wszelkie twierdzenia o możliwościach modeli pochodzą z benchmarków raportowanych przez programistów i ocen zewnętrznych (w tym NIST CAISI). Niezależna weryfikacja wszystkich wyników benchmarków trwa w całej branży. Porównania kosztów opierają się na opublikowanych cenach tokenów API; rzeczywiste koszty na zadanie różnią się znacznie w zależności od złożoności zadania, długości kontekstu i współczynnika trafień pamięci podręcznej.

Modele

DeepSeek V4 Pro (13 sierpnia 2026)

Flagowy model wieńczący letnią falę. DeepSeek V4 Pro to model Mixture-of-Experts z 1,6 biliona parametrów, z czego 49 miliardów jest aktywnych na token. Oferuje okno kontekstowe 1 miliona tokenów i do 384 000 tokenów wyjściowych w trzech trybach rozumowania (standardowy, wysokiego wysiłku, maksymalnego wysiłku) . W benchmarku Terminal-Bench 2.1 uzyskał wynik 87,9 – o 15,8% lepszy od wersji z kwietnia – i osiąga wydajność porównywalną z Claude Fable 5 przy koszcie około 1/57 . Reuters podaje, że model "zbliża się, a w niektórych testach przewyższa Claude Fable 5" w benchmarkach agentowych i inżynierii oprogramowania .

Ceny: 0,435 USD za milion tokenów wejściowych, 0,87 USD za milion tokenów wyjściowych w stawkach standardowych, z rabatami za pamięć podręczną sięgającymi 97% . W trybie maksymalnego wysiłku ceny wynoszą 1,32 USD/3,96 USD za milion tokenów .

Moonshot Kimi K3 (16/27 lipca 2026)

Firma Moonshot AI udostępniła model, który określa mianem "pierwszego otwartego modelu w klasie 3 bilionów parametrów" – model Mixture-of-Experts z 2,8 biliona parametrów, aktywujący 16 z 896 ekspertów na token, z oknem kontekstowym 1 miliona tokenów i natywnymi możliwościami multimodalnymi (wizja + tekst) . Pełne wagi zostały udostępnione na Hugging Face 27 lipca na zmodyfikowanej licencji MIT . Model jest dostępny na Kimi.com, Kimi Work, Kimi Code i Kimi API .

Zhipu AI GLM-5.2 (13/16 czerwca 2026)

Model, który zapoczątkował falę. GLM-5.2 to model MoE z 744 miliardami parametrów (około 40 miliardów aktywnych na token), oknem kontekstowym 1 miliona tokenów i licencją MIT . Ocena NIST CAISI określa jego ogólne możliwości jako podobne do GPT-5.2 (grudzień 2025), a cyberbezpieczeństwo jako podobne do Claude Opus . Uzyskuje wynik 81,0 w Terminal-Bench 2.1 i 62,1 w SWE-bench Pro – najlepszy wynik wśród modeli o otwartej wadze w Artificial Analysis Intelligence Index . Ceny API są około 10 razy niższe niż Claude czy GPT-5 .

Meituan LongCat-2.0 (30 czerwca 2026)

Model MoE z 1,6 biliona parametrów (48 miliardów aktywnych na token), z oknem kontekstowym 1 miliona tokenów, udostępniony na licencji MIT . Jego kluczowa cecha: pierwszy model o bilionie parametrów wytrenowany i uruchomiony w całości na chińskich chipach – na klastrze 50 000 układów Huawei Ascend 910B/C . Według testów Meituana, przewyższa on GPT-5.5 w benchmarkach inżynierii oprogramowania . Przed oficjalną premierą anonimowo zajmował pierwsze miejsce w rankingu OpenLLM jako "Owl Alpha" . Ceny API: 0,75 USD/2,95 USD za milion tokenów wejściowych/wyjściowych, z promocyjną ofertą startową 0,30 USD/1,20 USD .

Jak wypadają w porównaniu z amerykańskimi modelami?

Szersze implikacje

Globalne wdrożenia w przedsiębiorstwach

Firmy poza Chinami mają teraz wiarygodne, tanie i otwarte alternatywy dla amerykańskich modeli API. Licencja MIT dla GLM-5.2 bez żadnych ograniczeń regionalnych oznacza, że każda firma może go samodzielnie hostować komercyjnie . To zmienia decyzje zakupowe w Azji Południowo-Wschodniej, na Bliskim Wschodzie, w Afryce i częściach Europy.

Paradoks kontroli eksportu

Dowody wyraźnie wskazują, że amerykańskie kontrole eksportu układów scalonych przyniosły odwrotny skutek, przynajmniej na dwa sposoby:

• Przyspieszenie opanowania krajowych chipów: LongCat-2.0 wytrenowano na klastrze 50 000 chińskich procesorów Huawei Ascend, udowadniając, że trenowanie na poziomie granicznym jest możliwe bez amerykańskiego sprzętu . To przyspieszyło rozwój chińskiego ekosystemu chipów AI szybciej, niż zrobiłyby to siły rynkowe.
• Wymuszona wydajność algorytmiczna: Odcięte od dostępu do wydajnych GPU, chińskie laboratoria zoptymalizowały architektury pod kątem rzadkości MoE, rzadkiej uwagi i wydajności aktywnych parametrów bardziej agresywnie niż amerykańskie. Efektem są modele osiągające porównywalną wydajność przy ułamku budżetu obliczeniowego – przewaga kosztowa 10–57 razy .

Co pozostaje niepotwierdzone

Nie znaleziono wiarygodnych źródeł dla konkretnych cen za zadanie, takich jak 0,06 USD za DeepSeek V4 Pro czy 2,34 USD za Claude Opus 5. Modele Tencent Hy3 i Alibaba Qwen3.8-Max również nie mają potwierdzonych specyfikacji ani dat premiery w dostępnych dowodach.

Zastrzeżenie dotyczące źródeł

Artykuł opiera się na dostępnych dowodach z połowy sierpnia 2026 roku. Wszelkie twierdzenia o możliwościach modeli pochodzą z benchmarków raportowanych przez programistów i ocen zewnętrznych (w tym NIST CAISI). Niezależna weryfikacja wszystkich wyników benchmarków trwa w całej branży. Porównania kosztów opierają się na opublikowanych cenach tokenów API; rzeczywiste koszty na zadanie różnią się znacznie w zależności od złożoności zadania, długości kontekstu i współczynnika trafień pamięci podręcznej.