Hur kinesiska AI-labb sprängde USA:s exportkontroll
Sedan mitten av juni 2026 har kinesiska AI labb släppt en rad frontmodeller – från Zhipu AI:s GLM 5.2 till Moonshots Kimi K3 på 2,8 biljoner parametrar, Meituans inhemskt tränade LongCat 2.0 och DeepSeeks V4 Pro – som... NIST:s CAISI bedömning visar att GLM 5.2 presterar i nivå med GPT 5.2, medan DeepSeek V4 Pro:s T...
Publicerad avRedigerad med DeepSeek-V4-FlashBilder genererade med GPT Image 1.5
Sedan mitten av juni 2026 har kinesiska AI labb släppt en rad frontmodeller – från Zhipu AI:s GLM 5.2 till Moonshots Kimi K3 på 2,8 biljoner parametrar, Meituans inhemskt tränade LongCat 2.0 och DeepSeeks V4 Pro – som...
NIST:s CAISI bedömning visar att GLM 5.2 presterar i nivå med GPT 5.2, medan DeepSeek V4 Pro:s Terminal Bench 2.1 poäng på 87,9 placerar den i klass med Claude Fable 5 till cirka 1/57 av kostnaden.
Inga oberoende källor har bekräftat uppgifterna om specifika priser som 0,06 dollar per uppgift för DeepSeek V4 Pro eller 2,34 dollar för Claude Opus 5, inte heller modellerna Tencent Hy3 och Alibaba Qwen3.8 Max.
What has driven the recent surge of Chinese AI model releases since June 2026, culminating in DeepSeek V4 Pro's launch on August 13, and howThe summer 2026 surge of Chinese open-weight AI models has reshaped the competitive landscape of frontier artificial intelligence.
AI Prompt
Create a landscape editorial hero image for this Studio Global article: What has driven the recent surge of Chinese AI model releases since June 2026, culminating in DeepSeek V4 Pro's launch on August 13, and how. Article summary: I have strong evidence on most of the models you asked about but no search results for Tencent Hy3, Alibaba Qwen3.8-Max, the specific "$0.06 per task" pricing for DeepSeek V4 Pro, the "$2.34" figure for Claude Opus 5, or. Topic tags: general, government, documentation, general web, news. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermark
openai.com
Under loppet av åtta veckor från mitten av juni 2026 släppte kinesiska AI-labb en lavin av frontmodeller som omformade det globala AI-landskapet. Vågen kulminerade den 13 augusti med DeepSeek V4 Pro:s allmänna tillgänglighet, men historien är större än en enskild lansering: den handlar om hur exportkontroller avsedda att bromsa kinesisk AI-utveckling istället producerade en effektivare, mer självförsörjande och aggressivt öppen konkurrent som nu matchar USA:s frontmodeller i kapacitet samtidigt som den undercutar dem i pris med flera storleksordningar.
Vad drev vågen
Tre förstärkande krafter samverkade för att komprimera år av utveckling till månader:
1. Exportkontrolltryck. USA:s chiprestriktioner skar av kinesiska labb från obegränsad tillgång till NVIDIA H100/B200 GPU:er, vilket tvingade dem att innovera på inhemsk hårdvara (t.ex. Huawei Ascend 910B/C-chipp) och att optimera för effektivitet snarare än rå beräkningskraft. Meituans LongCat-2.0 är det tydligaste exemplet – det är den första biljonparametermodellen som tränats och körts helt på kinesiska chipp .
2. Intensiv inhemsk konkurrens. Ett dussintal välfunderade labb – DeepSeek, Moonshot, Zhipu/Z.AI, Meituan, Alibaba, Tencent, Baidu, ByteDance – kapplöper om prestige, utvecklares uppmärksamhet och företagsanvändning, vilket komprimerar lanseringscykler till veckor.
3. Öppen viktstrategi som geopolitiskt vapen. Kinesiska labb släpper modeller under tillåtande licenser (MIT, modifierad MIT) utan regionala restriktioner, i direkt kontrast till de alltmer slutna strategierna hos OpenAI och Anthropic. Detta vinner global utvecklaracceptans .
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "Hur kinesiska AI-labb sprängde USA:s exportkontroll"?
Sedan mitten av juni 2026 har kinesiska AI labb släppt en rad frontmodeller – från Zhipu AI:s GLM 5.2 till Moonshots Kimi K3 på 2,8 biljoner parametrar, Meituans inhemskt tränade LongCat 2.0 och DeepSeeks V4 Pro – som...
What are the key points to validate first?
Sedan mitten av juni 2026 har kinesiska AI labb släppt en rad frontmodeller – från Zhipu AI:s GLM 5.2 till Moonshots Kimi K3 på 2,8 biljoner parametrar, Meituans inhemskt tränade LongCat 2.0 och DeepSeeks V4 Pro – som... NIST:s CAISI bedömning visar att GLM 5.2 presterar i nivå med GPT 5.2, medan DeepSeek V4 Pro:s Terminal Bench 2.1 poäng på 87,9 placerar den i klass med Claude Fable 5 till cirka 1/57 av kostnaden.
What should I do next in practice?
Inga oberoende källor har bekräftat uppgifterna om specifika priser som 0,06 dollar per uppgift för DeepSeek V4 Pro eller 2,34 dollar för Claude Opus 5, inte heller modellerna Tencent Hy3 och Alibaba Qwen3.8 Max.
Hur kinesiska AI-labb sprängde USA:s exportkontroll
Sedan mitten av juni 2026 har kinesiska AI labb släppt en rad frontmodeller – från Zhipu AI:s GLM 5.2 till Moonshots Kimi K3 på 2,8 biljoner parametrar, Meituans inhemskt tränade LongCat 2.0 och DeepSeeks V4 Pro – som... NIST:s CAISI bedömning visar att GLM 5.2 presterar i nivå med GPT 5.2, medan DeepSeek V4 Pro:s T...
Publicerad avRedigerad med DeepSeek-V4-FlashBilder genererade med GPT Image 1.5
Sedan mitten av juni 2026 har kinesiska AI labb släppt en rad frontmodeller – från Zhipu AI:s GLM 5.2 till Moonshots Kimi K3 på 2,8 biljoner parametrar, Meituans inhemskt tränade LongCat 2.0 och DeepSeeks V4 Pro – som...
NIST:s CAISI bedömning visar att GLM 5.2 presterar i nivå med GPT 5.2, medan DeepSeek V4 Pro:s Terminal Bench 2.1 poäng på 87,9 placerar den i klass med Claude Fable 5 till cirka 1/57 av kostnaden.
Inga oberoende källor har bekräftat uppgifterna om specifika priser som 0,06 dollar per uppgift för DeepSeek V4 Pro eller 2,34 dollar för Claude Opus 5, inte heller modellerna Tencent Hy3 och Alibaba Qwen3.8 Max.
What has driven the recent surge of Chinese AI model releases since June 2026, culminating in DeepSeek V4 Pro's launch on August 13, and howThe summer 2026 surge of Chinese open-weight AI models has reshaped the competitive landscape of frontier artificial intelligence.
AI Prompt
Create a landscape editorial hero image for this Studio Global article: What has driven the recent surge of Chinese AI model releases since June 2026, culminating in DeepSeek V4 Pro's launch on August 13, and how. Article summary: I have strong evidence on most of the models you asked about but no search results for Tencent Hy3, Alibaba Qwen3.8-Max, the specific "$0.06 per task" pricing for DeepSeek V4 Pro, the "$2.34" figure for Claude Opus 5, or. Topic tags: general, government, documentation, general web, news. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermark
openai.com
Under loppet av åtta veckor från mitten av juni 2026 släppte kinesiska AI-labb en lavin av frontmodeller som omformade det globala AI-landskapet. Vågen kulminerade den 13 augusti med DeepSeek V4 Pro:s allmänna tillgänglighet, men historien är större än en enskild lansering: den handlar om hur exportkontroller avsedda att bromsa kinesisk AI-utveckling istället producerade en effektivare, mer självförsörjande och aggressivt öppen konkurrent som nu matchar USA:s frontmodeller i kapacitet samtidigt som den undercutar dem i pris med flera storleksordningar.
Vad drev vågen
Tre förstärkande krafter samverkade för att komprimera år av utveckling till månader:
1. Exportkontrolltryck. USA:s chiprestriktioner skar av kinesiska labb från obegränsad tillgång till NVIDIA H100/B200 GPU:er, vilket tvingade dem att innovera på inhemsk hårdvara (t.ex. Huawei Ascend 910B/C-chipp) och att optimera för effektivitet snarare än rå beräkningskraft. Meituans LongCat-2.0 är det tydligaste exemplet – det är den första biljonparametermodellen som tränats och körts helt på kinesiska chipp .
2. Intensiv inhemsk konkurrens. Ett dussintal välfunderade labb – DeepSeek, Moonshot, Zhipu/Z.AI, Meituan, Alibaba, Tencent, Baidu, ByteDance – kapplöper om prestige, utvecklares uppmärksamhet och företagsanvändning, vilket komprimerar lanseringscykler till veckor.
3. Öppen viktstrategi som geopolitiskt vapen. Kinesiska labb släpper modeller under tillåtande licenser (MIT, modifierad MIT) utan regionala restriktioner, i direkt kontrast till de alltmer slutna strategierna hos OpenAI och Anthropic. Detta vinner global utvecklaracceptans .
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "Hur kinesiska AI-labb sprängde USA:s exportkontroll"?
Sedan mitten av juni 2026 har kinesiska AI labb släppt en rad frontmodeller – från Zhipu AI:s GLM 5.2 till Moonshots Kimi K3 på 2,8 biljoner parametrar, Meituans inhemskt tränade LongCat 2.0 och DeepSeeks V4 Pro – som...
What are the key points to validate first?
Sedan mitten av juni 2026 har kinesiska AI labb släppt en rad frontmodeller – från Zhipu AI:s GLM 5.2 till Moonshots Kimi K3 på 2,8 biljoner parametrar, Meituans inhemskt tränade LongCat 2.0 och DeepSeeks V4 Pro – som... NIST:s CAISI bedömning visar att GLM 5.2 presterar i nivå med GPT 5.2, medan DeepSeek V4 Pro:s Terminal Bench 2.1 poäng på 87,9 placerar den i klass med Claude Fable 5 till cirka 1/57 av kostnaden.
What should I do next in practice?
Inga oberoende källor har bekräftat uppgifterna om specifika priser som 0,06 dollar per uppgift för DeepSeek V4 Pro eller 2,34 dollar för Claude Opus 5, inte heller modellerna Tencent Hy3 och Alibaba Qwen3.8 Max.
Flaggskepslanseringen som avslutar sommarvågen. DeepSeek V4 Pro är en modell med 1,6 biljoner parametrar (Mixture-of-Experts) med 49 miljarder aktiva parametrar per token, ett kontextfönster på 1 miljon token och upp till 384 000 utdatatoken över tre resonemangslägen (standard, hög ansträngning, max ansträngning) . På Terminal-Bench 2.1 fick den 87,9 – en förbättring på 15,8% jämfört med aprilförhandsvisningen – och presterar i nivå med Claude Fable 5 till cirka 1/57 av kostnaden . Reuters rapporterar att modellen ”närmar sig – och i vissa tester överträffar – Claude Fable 5” på agent- och mjukvaruteknikprestandatest .
Priset är 0,435 dollar per miljon inmatningstoken, 0,87 dollar per miljon utdatatoken till standardpriser, med cacherabatter på upp till 97% . I max-ansträngningsläge är priset 1,32/3,96 dollar per miljon token .
Moonshot Kimi K3 (16/27 juli 2026)
Moonshot AI släppte vad man kallar ”världens första öppna modell i klassen 3 biljoner parametrar” – en modell med 2,8 biljoner parametrar (Mixture-of-Experts) som aktiverar 16 av 896 experter per token, med ett kontextfönster på 1 miljon token och inbyggd multimodalitet (bild + text) . Fulla vikter släpptes på Hugging Face den 27 juli under en modifierad MIT-licens . Den är live på Kimi.com, Kimi Work, Kimi Code och Kimi API .
Zhipu AI GLM-5.2 (13/16 juni 2026)
Modellen som startade vågen. GLM-5.2 är en MoE på 744 miljarder parametrar med cirka 40 miljarder aktiva per token, ett kontextfönster på 1 miljon token och en MIT-licens . NIST:s CAISI-bedömning anger att dess övergripande kapacitet liknar GPT-5.2 (december 2025) och att dess cyberkapacitet liknar Claude Opus . Den får 81,0 på Terminal-Bench 2.1 och 62,1 på SWE-bench Pro – högsta öppna viktpoäng på Artificial Analysis Intelligence Index . Priset via API är cirka 10 gånger billigare än Claude eller GPT-5 .
Meituan LongCat-2.0 (30 juni 2026)
En MoE på 1,6 biljoner parametrar (48 miljarder aktiva per token) med ett kontextfönster på 1 miljon token, släppt under MIT-licens . Dess kritiska särdrag: den första biljonparametermodellen som tränats och körts helt på inhemska kinesiska chipp – ett kluster på 50 000 chipp av typen Huawei Ascend 910B/C . Enligt Meituans egna tester överträffar den GPT-5.5 på mjukvaruteknikprestandatest . Den hade tyst toppat OpenLLM-ledartavlan som ”Owl Alpha” före den officiella lanseringen . API-priset är 0,75/2,95 dollar per miljon inmatnings-/utdatatoken, med en lanseringskampanj på 0,30/1,20 dollar .
Hur de jämförs med USA:s frontmodeller
Dimension
Kinesiska frontmodeller
USA:s frontmodeller
Kapacitetsparitet
GLM-5.2 ≈ GPT-5.2 ; DeepSeek V4 Pro ≈ Claude Fable 5 på flera prestandatest ; LongCat-2.0 hävdar övertag över GPT-5.5 på SWE-bench
OpenAI GPT-5.5, Anthropic Claude Fable 5/Opus, Google Gemini 3
Kostnadsfördel
Kinesiska modeller är 10–57 gånger billigare per token eller uppgift
USA:s modeller tar ut premiumpriser via API
Öppenhet
MIT/modifierad MIT-licens för öppna vikter; global obegränsad tillgång
Huvudsakligen slutet API; inga viktsläpp
Hårdvarubegränsning
Kinas bästa modeller körs nu helt på inhemska chipp (LongCat-2.0 )
USA:s modeller använder obegränsad tillgång till NVIDIA H100/B200
Bredare implikationer
Global företagsanvändning
Företag utanför Kina har nu trovärdiga, lågkostnadsalternativ med öppna vikter till USA:s API-modeller. GLM-5.2:s MIT-licens utan regionala restriktioner innebär att vilket företag som helst kan självhosta den kommersiellt utan begränsningar . Detta förändrar upphandlingsbeslut i Sydostasien, Mellanöstern, Afrika och delar av Europa.
Paradoxen med exportkontroll
Bevisen stöder starkt tesen att USA:s exportkontroll av chipp har slagit tillbaka på minst två sätt:
Accelererad inhemsk chipbehärskning: LongCat-2.0 tränades på ett kluster med 50 000 kinesisktillverkade Huawei Ascend-processorer, vilket bevisar att träning i frontlinjen är möjlig utan USA:s hårdvara . Detta har katalyserat Kinas inhemska AI-chipekosystem snabbare än marknadskrafterna skulle ha gjort.
Tvingad algoritmisk effektivitet: Avskurna från riklig tillgång till högpresterande GPU:er optimerade kinesiska labb arkitekturer för MoE-sparsitet, sparsam attention och aktiv parameter-effektivitet mer aggressivt än USA:s labb. Resultatet är modeller som uppnår jämförbar kapacitet till en bråkdel av beräkningsbudgeten – en kostnadsfördel på 10–57 gånger .
Vad som fortfarande är obekräftat
Inga bekräftande källor hittades för specifika priser per uppgift på 0,06 dollar för DeepSeek V4 Pro eller 2,34 dollar för Claude Opus 5. Tencent Hy3 och Alibaba Qwen3.8-Max saknar också verifierade specifikationer eller lanseringsdatum i tillgängliga bevis. Påståenden om Mark Zuckerbergs senaste manifest för öppen källkod kunde inte bekräftas.
En not om påståenden och källor
Denna artikel baseras på tillgängliga bevis per mitten av augusti 2026. Alla påståenden om modellkapacitet kommer från utvecklarrapporterade prestandatest och tredjepartsbedömningar (inklusive NIST:s CAISI). Oberoende verifiering av alla prestandatestpoäng pågår inom branschen. Kostnadsjämförelser baseras på publicerade API-tokenpriser; faktiska kostnader per uppgift varierar avsevärt beroende på uppgiftens komplexitet, kontextlängd och cacheträffar.
Flaggskepslanseringen som avslutar sommarvågen. DeepSeek V4 Pro är en modell med 1,6 biljoner parametrar (Mixture-of-Experts) med 49 miljarder aktiva parametrar per token, ett kontextfönster på 1 miljon token och upp till 384 000 utdatatoken över tre resonemangslägen (standard, hög ansträngning, max ansträngning) . På Terminal-Bench 2.1 fick den 87,9 – en förbättring på 15,8% jämfört med aprilförhandsvisningen – och presterar i nivå med Claude Fable 5 till cirka 1/57 av kostnaden . Reuters rapporterar att modellen ”närmar sig – och i vissa tester överträffar – Claude Fable 5” på agent- och mjukvaruteknikprestandatest .
Priset är 0,435 dollar per miljon inmatningstoken, 0,87 dollar per miljon utdatatoken till standardpriser, med cacherabatter på upp till 97% . I max-ansträngningsläge är priset 1,32/3,96 dollar per miljon token .
Moonshot Kimi K3 (16/27 juli 2026)
Moonshot AI släppte vad man kallar ”världens första öppna modell i klassen 3 biljoner parametrar” – en modell med 2,8 biljoner parametrar (Mixture-of-Experts) som aktiverar 16 av 896 experter per token, med ett kontextfönster på 1 miljon token och inbyggd multimodalitet (bild + text) . Fulla vikter släpptes på Hugging Face den 27 juli under en modifierad MIT-licens . Den är live på Kimi.com, Kimi Work, Kimi Code och Kimi API .
Zhipu AI GLM-5.2 (13/16 juni 2026)
Modellen som startade vågen. GLM-5.2 är en MoE på 744 miljarder parametrar med cirka 40 miljarder aktiva per token, ett kontextfönster på 1 miljon token och en MIT-licens . NIST:s CAISI-bedömning anger att dess övergripande kapacitet liknar GPT-5.2 (december 2025) och att dess cyberkapacitet liknar Claude Opus . Den får 81,0 på Terminal-Bench 2.1 och 62,1 på SWE-bench Pro – högsta öppna viktpoäng på Artificial Analysis Intelligence Index . Priset via API är cirka 10 gånger billigare än Claude eller GPT-5 .
Meituan LongCat-2.0 (30 juni 2026)
En MoE på 1,6 biljoner parametrar (48 miljarder aktiva per token) med ett kontextfönster på 1 miljon token, släppt under MIT-licens . Dess kritiska särdrag: den första biljonparametermodellen som tränats och körts helt på inhemska kinesiska chipp – ett kluster på 50 000 chipp av typen Huawei Ascend 910B/C . Enligt Meituans egna tester överträffar den GPT-5.5 på mjukvaruteknikprestandatest . Den hade tyst toppat OpenLLM-ledartavlan som ”Owl Alpha” före den officiella lanseringen . API-priset är 0,75/2,95 dollar per miljon inmatnings-/utdatatoken, med en lanseringskampanj på 0,30/1,20 dollar .
Hur de jämförs med USA:s frontmodeller
Dimension
Kinesiska frontmodeller
USA:s frontmodeller
Kapacitetsparitet
GLM-5.2 ≈ GPT-5.2 ; DeepSeek V4 Pro ≈ Claude Fable 5 på flera prestandatest ; LongCat-2.0 hävdar övertag över GPT-5.5 på SWE-bench
OpenAI GPT-5.5, Anthropic Claude Fable 5/Opus, Google Gemini 3
Kostnadsfördel
Kinesiska modeller är 10–57 gånger billigare per token eller uppgift
USA:s modeller tar ut premiumpriser via API
Öppenhet
MIT/modifierad MIT-licens för öppna vikter; global obegränsad tillgång
Huvudsakligen slutet API; inga viktsläpp
Hårdvarubegränsning
Kinas bästa modeller körs nu helt på inhemska chipp (LongCat-2.0 )
USA:s modeller använder obegränsad tillgång till NVIDIA H100/B200
Bredare implikationer
Global företagsanvändning
Företag utanför Kina har nu trovärdiga, lågkostnadsalternativ med öppna vikter till USA:s API-modeller. GLM-5.2:s MIT-licens utan regionala restriktioner innebär att vilket företag som helst kan självhosta den kommersiellt utan begränsningar . Detta förändrar upphandlingsbeslut i Sydostasien, Mellanöstern, Afrika och delar av Europa.
Paradoxen med exportkontroll
Bevisen stöder starkt tesen att USA:s exportkontroll av chipp har slagit tillbaka på minst två sätt:
Accelererad inhemsk chipbehärskning: LongCat-2.0 tränades på ett kluster med 50 000 kinesisktillverkade Huawei Ascend-processorer, vilket bevisar att träning i frontlinjen är möjlig utan USA:s hårdvara . Detta har katalyserat Kinas inhemska AI-chipekosystem snabbare än marknadskrafterna skulle ha gjort.
Tvingad algoritmisk effektivitet: Avskurna från riklig tillgång till högpresterande GPU:er optimerade kinesiska labb arkitekturer för MoE-sparsitet, sparsam attention och aktiv parameter-effektivitet mer aggressivt än USA:s labb. Resultatet är modeller som uppnår jämförbar kapacitet till en bråkdel av beräkningsbudgeten – en kostnadsfördel på 10–57 gånger .
Vad som fortfarande är obekräftat
Inga bekräftande källor hittades för specifika priser per uppgift på 0,06 dollar för DeepSeek V4 Pro eller 2,34 dollar för Claude Opus 5. Tencent Hy3 och Alibaba Qwen3.8-Max saknar också verifierade specifikationer eller lanseringsdatum i tillgängliga bevis. Påståenden om Mark Zuckerbergs senaste manifest för öppen källkod kunde inte bekräftas.
En not om påståenden och källor
Denna artikel baseras på tillgängliga bevis per mitten av augusti 2026. Alla påståenden om modellkapacitet kommer från utvecklarrapporterade prestandatest och tredjepartsbedömningar (inklusive NIST:s CAISI). Oberoende verifiering av alla prestandatestpoäng pågår inom branschen. Kostnadsjämförelser baseras på publicerade API-tokenpriser; faktiska kostnader per uppgift varierar avsevärt beroende på uppgiftens komplexitet, kontextlängd och cacheträffar.
