Китайский AI-рывок: как санкции США породили более эффективного конкурента

Цены: $0,435 за миллион входных токенов, $0,87 за миллион выходных токенов по стандартным тарифам, со скидками на кэш до 97% . В режиме «максимальное усилие» цены составляют $1,32/$3,96 за миллион токенов .

Moonshot Kimi K3 (16/27 июля 2026 г.)

Moonshot AI выпустила то, что называет «первой в мире открытой моделью класса 3 триллиона параметров» — модель MoE с 2,8 триллиона параметров, которая активирует 16 из 896 экспертов на токен, с контекстным окном в 1 миллион токенов и нативной мультимодальностью (зрение + текст) . Полные веса были опубликованы на Hugging Face 27 июля под модифицированной лицензией MIT . Модель доступна на Kimi.com, Kimi Work, Kimi Code и Kimi API .

Zhipu AI GLM-5.2 (13/16 июня 2026 г.)

Модель, с которой началась волна. GLM-5.2 — это MoE с 744 миллиардами параметров и около 40 миллиардами активных на токен, контекстным окном в 1 миллион токенов и лицензией MIT . Оценка NIST CAISI оценивает ее общие возможности как аналогичные GPT-5.2 (декабрь 2025 г.), а ее кибер-возможности — как у Claude Opus . Она набирает 81,0 в Terminal-Bench 2.1 и 62,1 в SWE-bench Pro — лучший результат среди моделей с открытыми весами в индексе Artificial Analysis Intelligence Index . Цены в API примерно в 10 раз ниже, чем у Claude или GPT-5 .

Meituan LongCat-2.0 (30 июня 2026 г.)

MoE с 1,6 триллиона параметров (48 миллиардов активных на токен), контекстным окном в 1 миллион токенов, выпущенный под лицензией MIT . Его ключевое отличие: первая триллионная модель, обученная и запущенная полностью на китайских чипах — кластере из 50 000 чипов Huawei Ascend 910B/C . По тестам Meituan, она обходит GPT-5.5 на бенчмарках программной инженерии . До официального релиза она тихо возглавляла рейтинг OpenLLM под именем «Owl Alpha» . Цены API: $0,75/$2,95 за миллион входных/выходных токенов, с промо-предложением $0,30/$1,20 .

Как они сравниваются с американскими фронт-моделями

Более широкие последствия

Глобальное корпоративное внедрение

Предприятия за пределами Китая теперь имеют надежные, недорогие альтернативы с открытыми весами для американских API-моделей. Лицензия MIT на GLM-5.2 без каких-либо региональных ограничений означает, что любая компания может коммерчески использовать ее самостоятельно без ограничений . Это меняет решения о закупках в Юго-Восточной Азии, на Ближнем Востоке, в Африке и некоторых частях Европы.

Парадокс экспортного контроля

Доказательства убедительно подтверждают тезис о том, что экспортный контроль США над чипами дал обратный эффект как минимум в двух аспектах:

• Ускоренное освоение отечественных чипов: LongCat-2.0 обучалась на кластере из 50 000 китайских процессоров Huawei Ascend, доказав, что обучение фронт-масштаба возможно без американского оборудования . Это катализировало экосистему китайских AI-чипов быстрее, чем это произошло бы под действием рыночных сил.
• Форсированная алгоритмическая эффективность: отрезанные от обилия высококлассных GPU, китайские лаборатории агрессивнее оптимизировали архитектуры для разреженности MoE, разреженного внимания и эффективности активных параметров. Результат — модели, достигающие сравнимых возможностей при доле вычислительного бюджета — 10–57-кратное преимущество в цене .

Что остается неподтвержденным

Не было найдено подтверждающих источников для конкретных цен за задачу в $0,06 для DeepSeek V4 Pro или $2,34 для Claude Opus 5. Для моделей Tencent Hy3 и Alibaba Qwen3.8-Max также отсутствуют проверенные характеристики или даты релиза в доступных доказательствах. Заявления о недавнем манифесте Марка Цукерберга с открытым исходным кодом не удалось подтвердить.

Примечание о заявлениях и источниках

Эта статья основана на доступных доказательствах по состоянию на середину августа 2026 года. Все заявления о возможностях моделей основаны на бенчмарках, представленных разработчиками, и сторонних оценках (включая NIST CAISI). Независимая проверка всех показателей бенчмарков продолжается в отрасли. Сравнение стоимости основано на опубликованных ценах на токены API; фактические затраты на задачу значительно варьируются в зависимости от сложности задачи, длины контекста и частоты попаданий в кэш.