Trzy chińskie laboratoria zdominowały teraz szczyt rankingu modeli otwartych wag. Moonshot AI wprowadził Kimi K3 - model Stable LatentMoE z 2,8 bilionami parametrów, który aktywuje 16 z 896 ekspertów na token. K3 wyróżnia się natywnym wsparciem wizji, oknem kontekstowym miliona tokenów oraz wbudowanym rozumowaniem. DeepSeek V4 Pro to natomiast 1,6-bilionowy model MoE z 49 miliardami aktywnych parametrów, wykorzystujący 384 routowane eksperty plus jeden wspólny ekspert. Oferuje okno kontekstowe miliona tokenów z maksymalnym outputem 384K tokenów. DeepSeek udostępnił również tańszą wersję V4 Flash (284B parametrów, 13B aktywnych). Trzecim graczem jest GLM-5.2 od Zhipu AI - model 744-miliardowy z około 40 miliardami aktywnymi parametrów i milionem tokenów kontekstu, dostępny z trybami rozumowania High i Max.
Osiem modeli dzielą fundamentalną cechę - są to rozrzedzone architektury Mixture-of-Experts z konkretnymi oknami kontekstowymi przeznaczonymi dla długohoryzontowych zadań kodowania i pracy agentowej. Porównanie tych trzech rozpatruje trzy praktyczne aspekty, którymi kierują się zespoły AI: zmierzone możliwości na benchmarkach, warunki licencji oraz rzeczywiste koszty serwowania. K3 pozycjonuje się jako pierwszy otwarty model klasy 3-bilionowej, podczas gdy V4 Pro stawia na efektywność z 49 miliardami parametrów w pełnej wersji, a GLM-5.2 nabiera znaczenia jako lider pola otwartych wag z wcześniejszą premierą przed K3.
To porównanie podkreśla istotne dla przemysłu pytania: czy wyższa liczba parametrów całkowitych przekłada się na lepsze wyniki, czy architektura i optymalizacja ekspertów ma większe znaczenie, oraz jak łatwo jest faktycznie wdrażać i serwować te modele trylionowych rozmiarów. Koszty serwowania stają się kluczowe dla zespołów, które muszą wybrać między ogromnym K3 a bardziej wydajnym V4 Pro czy kompaktniejszym GLM-5.2.