05.09.2026 · Modele · ~13 min czytania

Chińskie modele AI z otwartymi wagami — co realnie dają i czy można im ufać

Chińskie modele AI z otwartymi wagami przestały być ciekawostką dla badaczy. W ciągu pół roku trzy laboratoria wypuściły modele, które w publikowanych testach stają w jednym szeregu z produktami komercyjnymi — a wagi można pobrać i uruchomić u siebie. Dla firmy rozważającej lokalne AI to zmienia rachunek, ale otwiera też trzy pytania, na które nie odpowie żadna karta modelu: czy to naprawdę dorównuje najlepszym, czy uruchomię to na swoim sprzęcie i czy mogę temu zaufać.

Ten wpis odpowiada na te trzy. Nie przepisujemy specyfikacji — od tego są karty modeli. Zamiast tego: co mówią oficjalne raporty, co mówią licencje (i to jest najbardziej zaskakująca część), oraz jak sprawdzić bezpieczeństwo zamiast zgadywać.

Fakty i wersje zweryfikowane 30.08.2026 w oficjalnych repozytoriach laboratoriów. Ten wpis zestarzeje się szybciej niż inne — przy każdej liczbie podajemy źródło, żeby dało się to sprawdzić samodzielnie.

Co się właściwie stało w ostatnim roku

Przez długi czas obowiązywał prosty podział: najmocniejsze modele były zamknięte i dostępne wyłącznie przez API, a modele o otwartych wagach nadawały się do prostszych zadań. Ten podział się rozmył. Otwarte wagi nie wygrywają dziś we wszystkim, ale w konkretnych zastosowaniach — praca z narzędziami, kod, długie dokumenty — publikowane wyniki są porównywalne.

Praktyczna konsekwencja jest jedna i warto ją nazwać wprost: wybór między mocnym modelem a kontrolą nad danymi przestał być wyborem. Wcześniej rezygnacja z chmury oznaczała rezygnację z jakości. Dziś jest to kompromis mniejszy, niż był, choć wciąż realny. Dlaczego w ogóle warto schodzić z chmury, rozłożyliśmy na czynniki we wpisie o lokalnym AI zamiast chmury.

Trzy modele, o których warto wiedzieć

Po akapicie na każdy, bez przepisywania tabel. Wszystkie trzy to architektury MoE — model ma dużo parametrów, ale przy każdym tokenie pracuje tylko ich część.

MiniMax M2.7

Wydany 18 marca 2026 r. przez szanghajskie laboratorium MiniMax. Około 230 mld parametrów łącznie, z czego ok. 10 mld aktywnych na token — model projektowany pod pracę agentową i kod. Szczegóły zebraliśmy na karcie modelu MiniMax M2.7.

Jest jednak rzecz, która przy tym modelu jest ważniejsza od każdej liczby, a najczęściej umyka: M2.7 nie jest modelem o wolnej licencji. Plik licencyjny w oficjalnym repozytorium nosi nagłówek „NON-COMMERCIAL LICENSE" i stwierdza wprost, że jakiekolwiek użycie komercyjne wymaga uprzedniej, osobnej pisemnej zgody MiniMaksa. Licencja definiuje użycie komercyjne szeroko — obejmuje m.in. oferowanie odpłatnych produktów i usług opartych na modelu oraz udostępnianie go w środowisku hostowanym. Bezpłatnie dopuszczone są za to wprost: użytek osobisty wraz z samodzielnym uruchomieniem na własnym sprzęcie do programowania i budowania narzędzi, oraz zastosowania badawcze i edukacyjne. To istotna zmiana wobec wcześniejszych wydań tego laboratorium, które były udostępniane na warunkach typu MIT.

DeepSeek V4 Flash

Pełna, oficjalna nazwa wydania to DeepSeek-V4-Flash-0731 — wersja produkcyjna opublikowana 31 lipca 2026 r., zastępująca wcześniejszy podgląd. Około 284 mld parametrów łącznie i 13 mld aktywnych, deklarowane okno kontekstu rzędu miliona tokenów. Model korzysta z hybrydowego mechanizmu uwagi łączącego dwa warianty uwagi skompresowanej, co ma obniżać koszt pracy na bardzo długich tekstach.

Z punktu widzenia firmy najważniejsze jest to, że wagi udostępniono na licencji MIT — najbardziej liberalnej z całej trójki i niestawiającej barier przed użyciem komercyjnym.

Qwen3.8-Flash-Next

Wydany 26 sierpnia 2026 r. przez zespół Qwen w Alibabie — najświeższy z całej trójki, opublikowany cztery dni przed powstaniem tego tekstu. Zgodnie z oficjalną kartą modelu to 125 mld parametrów modelu głównego, uzupełnione o 51 mld parametrów osadzeń n-gramowych, przy 6 mld aktywnych na token. Natywne okno kontekstu to 262 144 tokeny.

Laboratorium opisuje to wydanie wprost jako wczesny podgląd architektury, która ma trafić do Qwen4. Z rzeczy opisanych w oficjalnym materiale warte odnotowania są dwie: hybrydowa uwaga łącząca Gated DeltaNet z rzadką uwagą Qwena, oraz tablica osadzeń n-gramowych, którą można wynieść do pamięci hosta i pobierać asynchronicznie — czyli rozwiązanie wprost adresujące problem ograniczonej pamięci urządzenia.

Licencja nazywa się Qwen Community License 1.0 i — to ważne — nie jest to Apache 2.0, na której udostępniano wcześniejsze wydania Qwena, w tym opisany u nas Qwen 3.6. Dopuszcza użycie komercyjne, ale z zastrzeżeniami dotyczącymi m.in. bardzo dużych wdrożeń oraz budowania na niej działalności typu „model jako usługa". Treść licencji trzeba przeczytać przed wdrożeniem komercyjnym — jest dołączona do wag.

Czy naprawdę dorównują najlepszym?

Zanim padnie jakakolwiek liczba — jedna uwaga o precyzji, bez której cała reszta wprowadza w błąd.

Porównania w rodzaju „dorównuje Opusowi" wymagają numeru wersji — bez niego tekst zestarzeje się w kilka miesięcy. Anthropic prowadzi jawny wykaz swoich modeli: według stanu na 30.08.2026 aktualną rodziną flagową jest Claude 5, a Opus 4.8, 4.7 i 4.6 to generacje wcześniejsze, wciąż wspierane.

I od razu rzecz, którą trzeba powiedzieć wprost, żeby ta precyzja nie została odczytana jako umniejszanie: doprecyzowanie wersji nie osłabia wyniku, tylko go umieszcza na skali. Opus 4.6 był w swoim czasie jednym z najmocniejszych modeli na rynku i nadal jest bardzo dobrym modelem. Model o otwartych wagach, który staje z nim w jednym szeregu na testach inżynierskich — i to przy dziesięciu miliardach aktywnych parametrów — robi coś, co jeszcze rok temu wydawało się odległe. Poprzeczka jest wysoko postawiona, nawet jeśli w międzyczasie wyszła kolejna generacja.

Konkrety, wszystkie z oficjalnej karty modelu i zawsze z nazwą testu. MiniMax M2.7 raportuje 56,22% na SWE-Pro, 76,5 na SWE Multilingual, 52,7 na Multi SWE Bench, 57,0% na Terminal Bench 2 oraz 55,6% na VIBE-Pro — przy tym ostatnim wyniku laboratorium wprost pisze, że model jest niemal na równi z Opusem 4.6. Na MLE Bench Lite, obejmującym 22 konkursy uczenia maszynowego, M2.7 osiągnął 66,6% wskaźnika medalowego — ustępując wyłącznie Opusowi 4.6 i GPT-5.4. Na GDPval-AA raportuje wynik ELO 1495, najwyższy wśród modeli o otwartych wagach.

Podobnie DeepSeek-V4-Flash-0731: raportowane są m.in. 82,7 w teście Terminal Bench 2.1, 54,4 w DeepSWE oraz wyniki w zestawie testów agentowych, w których wydanie produkcyjne wypada lepiej od większego modelu V4-Pro w wersji podglądowej. Wcześniejszy, kwietniowy punkt kontrolny raportował 79,0% w SWE-bench Verified wobec 80,6% modelu V4-Pro — czyli różnicę rzędu półtora punktu przy wielokrotnie mniejszej liczbie aktywnych parametrów.

Qwen3.8-Flash-Next idzie w tych porównaniach najdalej. W ewaluacji opublikowanej przez zespół Qwen wypada lepiej od Claude Opus 4.6 na SWE-bench Pro (62,5 wobec 53,4), SWE-bench Multilingual (81,0 wobec 77,5), CoWorkBench (73,9 wobec 68,2) i JobBench (55,7 wobec 36,6) — przy sześciu miliardach aktywnych parametrów. Uczciwie druga strona: na Humanity's Last Exam przegrywa (35,9 wobec 40,0), co dobrze pokazuje, gdzie przewaga otwartych modeli leży, a gdzie nie. Wygrywają zadania inżynierskie i agentowe, przegrywają testy szerokiej wiedzy.

Trzeba jednak dopowiedzieć rzecz, którą łatwo pominąć w entuzjazmie: parytet dotyczy generacji 4.6, a nie najnowszej. W zestawieniach opartych na benchmarkach raportowanych przez DeepSeeka model wygrywa z Opusem 4.8 kilka z jedenastu testów, a na pozostałych traci od około jednego do dwunastu punktów. Wniosek jest więc precyzyjniejszy niż „dorównały najlepszym": otwarte wagi dogoniły to, co pół roku temu było szczytem rynku, i deptują po piętach temu, co jest szczytem dzisiaj — przy koszcie uruchomienia nieporównywalnie niższym.

Dlaczego do tych liczb podchodzić ostrożnie

To nie jest zastrzeżenie kurtuazyjne. Cztery powody, dla których wyniki testów słabo przekładają się na to, co zobaczysz u siebie:

• Publikuje je producent i dobiera zestaw, w którym wypada dobrze. Nikt nie pokazuje testów, które przegrał.
• Warunki pomiaru bywają różne — inna liczba prób, inne ustawienia, inne rusztowanie wokół modelu. Dwie liczby z dwóch raportów nie są wprost porównywalne.
• Skażenie zbioru testowego. Zadania testowe krążą w internecie i trafiają do danych treningowych. Model może znać odpowiedź, zamiast ją wyprowadzać, a z zewnątrz wygląda to identycznie.
• Testy mierzą głównie angielski i zadania programistyczne. O tym, jak model poradzi sobie z polską umową, aktami sprawy czy specyfikacją zamówienia, nie mówią praktycznie nic.

Jak sprawdzić to na własnych dokumentach

Skoro rankingi nie odpowiadają na pytanie firmy, trzeba je zadać samodzielnie. To zajmuje popołudnie i jest wart więcej niż wszystkie tabele razem wzięte.

1. Weź 20–50 prawdziwych dokumentów z procesu, który model ma obsługiwać. Prawdziwych, nie przykładowych — z całym bałaganem formatowania, skanami i załącznikami.
2. Ustal jedno zadanie i jedną instrukcję dla wszystkich modeli. Zmiana promptu między modelami unieważnia porównanie.
3. Zdefiniuj kryteria przed testem, nie po. Na przykład: czy wychwycił wszystkie terminy, czy nie zmyślił paragrafu, czy zachował liczby bez zmian.
4. Oceniaj na ślepo — bez informacji, który wynik pochodzi od którego modelu. Bez tego kroku wynik powie więcej o oczekiwaniach oceniającego niż o modelach.
5. Policz błędy krytyczne osobno. Jedna zmyślona kwota waży więcej niż dziesięć drobnych nieporadności stylistycznych.

Uczciwie: nie publikujemy tu własnych pomiarów porównawczych na polskich dokumentach, bo nie wykonaliśmy ich jeszcze w sposób, który dałoby się rzetelnie opisać. Gdy powstaną, trafią do osobnego wpisu z datą i konfiguracją — a nie jako liczby bez metodyki.

Czy uruchomisz to u siebie

Tu rozstrzyga ilość pamięci, nie moc obliczeniowa. I tu architektura MoE bywa źródłem kosztownego nieporozumienia.

„Tylko 13 mld aktywnych parametrów" brzmi, jakby model był mały. Nie jest. Aktywna jest część parametrów, ale w pamięci musi znaleźć się całość — router w każdej chwili może sięgnąć po dowolnego eksperta. Do tego dochodzi zapas na kontekst, rosnący wraz z długością dokumentów i liczbą równoległych użytkowników.

W praktyce oznacza to, że modele rzędu 230 i 284 mld parametrów nie zmieszczą się na pojedynczym urządzeniu ze 128 GB pamięci nawet przy mocnej kwantyzacji. Model rzędu 125 mld jest w zasięgu, przy odpowiednim stopniu kwantyzacji i rozsądnym oknie kontekstu. Powyżej tego progu potrzebne jest połączenie dwóch jednostek we wspólną pulę pamięci — opisaliśmy to osobno, wraz z pomiarami, na stronie o klastrze dwóch jednostek.

Praktyczna kolejność decyzji jest zawsze ta sama: najpierw sprawdź licencję, potem czy model w ogóle się mieści, dopiero na końcu jak wypada w testach. Odwrotna kolejność kończy się zakochaniem w modelu, którego nie wolno albo nie da się użyć.

Czy chińskim modelom można ufać?

To pytanie pada w każdej rozmowie i zasługuje na poważną odpowiedź, a nie na zbycie żartem. Odpowiedź brzmi: zaufanie do laboratorium nie jest tu właściwą kategorią — i to jest dobra wiadomość, bo rzeczy, które trzeba sprawdzić, są konkretne i sprawdzalne.

Wagi modelu to nie program

Podstawa, od której trzeba zacząć: plik z wagami to zbiór liczb. Sam z siebie niczego nie wykonuje i nie nawiązuje połączeń sieciowych. Połączenia nawiązuje oprogramowanie uruchamiające model — a to jest zupełnie osobna warstwa, zwykle nie pochodząca od twórcy modelu.

To rozbraja większość obaw, ale nie wolno na tym poprzestać, bo realne powierzchnie ryzyka istnieją. Są trzy.

1. Format pliku — ryzyko realne i konkretne

Historyczne formaty zapisu modeli opierają się na mechanizmie serializacji Pythona, który potrafi wykonać dowolny kod w momencie wczytania pliku. Nie jest to teoria — dokumentacja formatu safetensors, stworzonego właśnie w odpowiedzi na ten problem, opisuje to wprost: pytanie „czy mogę użyć losowo pobranego pliku i nie uruchomić przy tym obcego kodu" ma dla tego mechanizmu odpowiedź „nie".

To najbardziej praktyczna rada w całym wpisie: pobieraj wagi w formacie safetensors, wyłącznie z oficjalnego repozytorium laboratorium, i weryfikuj sumy kontrolne. Dotyczy to każdego modelu, niezależnie od kraju pochodzenia.

2. Stos uruchomieniowy — tu ryzyko jest większe niż w wagach

Silnik inferencyjny, obrazy kontenerów, biblioteki i ich zależności to zwykły kod, z pełnym ryzykiem łańcucha dostaw. Tu naprawdę można coś wykonać, coś wysłać i coś podmienić.

Wart podkreślenia paradoks: w rozmowach o bezpieczeństwie ludzie obawiają się pliku z liczbami pobranego z oficjalnego repozytorium, a równocześnie bez wahania instalują narzędzia z przypadkowych źródeł, których nikt nie audytował. Proporcja ryzyka jest odwrotna do proporcji obaw.

3. Zachowanie modelu — realne, ale to nie jest „backdoor"

Model można wytrenować tak, by zachowywał się inaczej po napotkaniu określonego wyzwalacza. To nie spekulacja — opisała to praca Anthropic Sleeper Agents ze stycznia 2024 r., która pokazała, że takie zachowanie potrafi przetrwać standardowe metody dostrajania bezpieczeństwa, a trening przeciwstawny bywa uczy model lepiej ukrywać wyzwalacz, zamiast go usuwać. Warto podkreślić: to badanie nad podatnością mechanizmu, a nie ustalenie dotyczące jakiegokolwiek konkretnego modelu.

Osobna, znacznie prostsza sprawa: dopasowanie do określonych stanowisk politycznych i unikanie pewnych tematów jest u modeli z tego rynku obserwowalne i banalnie łatwe do sprawdzenia samodzielnie — wystarczy zadać kilka pytań i porównać odpowiedzi z innym modelem. Dla firmy analizującej umowy czy korespondencję zwykle nie ma to żadnego znaczenia. Ale czytelnik ma prawo o tym wiedzieć i sprawdzić to w kwadrans.

Czego natomiast nie powiemy, bo nie ma na to publicznych dowodów: że którykolwiek z omawianych modeli zawiera mechanizm raportujący cokolwiek komukolwiek. Takie twierdzenie o nazwanej firmie wymagałoby dowodu, a tego nie ma.

4. Odcięta sieć — moment, w którym pytanie znika

I tu dochodzimy do sedna. Model uruchomiony lokalnie, bez dostępu do internetu, nie ma jak niczego wysłać — niezależnie od tego, kto go stworzył i co o nim myślimy. Nie trzeba rozstrzygać sporu o intencje, jeśli kanał wyjścia po prostu nie istnieje.

Stąd teza całej tej sekcji, mocniejsza i od straszenia, i od uspokajania:

Nie musisz ufać żadnemu laboratorium. Musisz sprawdzić format pliku, skontrolować stos uruchomieniowy i odciąć sieć. Wtedy zaufanie przestaje być potrzebne.

Dlaczego akurat chińskie laboratoria

Ta sekcja jest z konieczności analizą, a nie zbiorem faktów — żadne z poniższych wyjaśnień nie zostało oficjalnie potwierdzone i tak należy je czytać. W branży wskazuje się najczęściej cztery.

• Strategia konkurencyjna. Kto nie wygrywa na modelach zamkniętych, może podciąć rynek, oddając wagi za darmo — i przy okazji obniżyć wartość cudzej przewagi.
• Ograniczenia sprzętowe wymuszają wynalazczość. Trudniejszy dostęp do najnowszych układów premiuje architektury tańsze w obliczeniach. Widać to w opisach obu najświeższych modeli: skompresowana uwaga i mała liczba aktywnych parametrów to rozwiązania oszczędzające obliczenia.
• Budowanie ekosystemu. Model, wokół którego powstają narzędzia i społeczność, zyskuje przewagę trudną do odrobienia.
• Rozpoznawalność poza rynkiem macierzystym. Otwarte wagi trafiają tam, gdzie usługa chmurowa nie miałaby wstępu.

Dla firmy kupującej wdrożenie motywacja laboratorium jest zresztą drugorzędna. Znaczenie ma to, co da się sprawdzić: licencja, wymagania i zachowanie na własnych danych.

Co z tego wynika dla firmy

Cztery wnioski, w kolejności, w jakiej warto je stosować.

1. Licencja przed benchmarkiem. To najważniejsza rzecz w tym wpisie i najczęściej pomijana. „Otwarte wagi" nie znaczy „wolno komercyjnie" — trzy omawiane modele mają trzy różne reżimy, od w pełni liberalnego MIT, przez licencję dopuszczającą użycie komercyjne z zastrzeżeniami, po licencję wprost wymagającą osobnej pisemnej zgody. Sprawdzenie zajmuje pięć minut i bywa jedyną rzeczą, która przesądza o wyborze.
2. Pamięć przed mocą. Najpierw ustal, co się zmieści na sprzęcie, który masz lub kupisz. Model, który nie wchodzi do pamięci, nie ma żadnych parametrów wartych porównywania.
3. Własny test przed rankingiem. Popołudnie na dwudziestu prawdziwych dokumentach powie więcej niż każda tabela wyników.
4. Bezpieczeństwo to procedura, nie zaufanie. Format pliku, kontrolowany stos, odcięta sieć. Trzy rzeczy, każda sprawdzalna.

Jeśli chcesz przejść przez te cztery kroki na własnym procesie i sprzęcie, opisaliśmy zakres i etapy takiej pracy na stronie wdrożenia — analiza i wycena są bezpłatne.

Najczęstsze pytania

Czy chińskie modele AI są bezpieczne?

Pytanie warto rozbić na trzy. Same wagi to plik z liczbami — nie wykonują kodu i nie łączą się z siecią. Ryzyko leży w formacie pliku (stąd zalecenie safetensors z oficjalnego repozytorium i weryfikacja sum kontrolnych), w stosie uruchomieniowym, który jest zwykłym kodem z ryzykiem łańcucha dostaw, oraz w zachowaniu modelu, które da się kształtować w treningu. Model uruchomiony bez dostępu do sieci nie ma jak niczego wysłać, niezależnie od pochodzenia.

Czy mogę używać chińskich modeli open weight komercyjnie?

Zależy od modelu i trzeba to sprawdzić przed wdrożeniem. DeepSeek-V4-Flash-0731 udostępniono na licencji MIT. Qwen3.8-Flash-Next ma Qwen Community License 1.0, dopuszczającą użycie komercyjne z zastrzeżeniami. MiniMax M2.7 ma licencję niekomercyjną, wymagającą uprzedniej pisemnej zgody producenta na użycie komercyjne. Otwarte wagi nie znaczą automatycznie wolnego użytku.

Czy uruchomię chiński model open weight na własnym serwerze?

Decyduje pamięć, nie moc. W MoE aktywna jest część parametrów, ale w pamięci musi być całość plus zapas na kontekst. Modele rzędu 230–284 mld nie mieszczą się na pojedynczym urządzeniu ze 128 GB nawet przy mocnej kwantyzacji; rzędu 125 mld są w zasięgu; powyżej trzeba połączyć dwie jednostki we wspólną pulę pamięci.

Czy chińskie modele dorównują najlepszym modelom komercyjnym?

W zadaniach inżynierskich i agentowych tak — wobec generacji Opus 4.6. Qwen3.8-Flash-Next wypada lepiej od niej m.in. na SWE-bench Pro (62,5 wobec 53,4) i SWE-bench Multilingual (81,0 wobec 77,5), a MiniMax M2.7 jest z nią niemal na równi na VIBE-Pro. Wobec najnowszej generacji 4.8 przewaga znika: model wygrywa kilka testów z jedenastu, na pozostałych tracąc od około jednego do dwunastu punktów. W testach szerokiej wiedzy modele komercyjne nadal prowadzą. Wszystkie te liczby publikują producenci, więc miarodajny jest tylko test na własnych dokumentach.

Dlaczego chińskie laboratoria udostępniają wagi za darmo?

Nie ma potwierdzonej odpowiedzi. W branży wskazuje się strategię konkurencyjną, ograniczenia w dostępie do układów obliczeniowych premiujące tańsze architektury, budowanie ekosystemu i rozpoznawalność poza rynkiem macierzystym. Żadne z tych wyjaśnień nie jest oficjalne.

Źródła

• MiniMax, repozytorium MiniMax-M2.7 — karta modelu wraz z wynikami testów (SWE-Pro, SWE Multilingual, Multi SWE Bench, Terminal Bench 2, VIBE-Pro, MLE Bench Lite, GDPval-AA) oraz plik licencyjny („NON-COMMERCIAL LICENSE", wymóg uprzedniej pisemnej zgody na użycie komercyjne). Sprawdzono 30.08.2026.
• Qwen (Alibaba), repozytorium Qwen3.8-Flash-Next — data wydania 26.08.2026, liczby parametrów, architektura GDN + QSA, osadzenia n-gramowe, natywne okno kontekstu. Licencja dołączona do wag. Wyniki ewaluacji zespół Qwen publikuje w notce o wydaniu, do której odsyła README. Sprawdzono 30.08.2026.
• DeepSeek, karta modelu DeepSeek-V4-Flash-0731 — licencja MIT, liczby parametrów, okno kontekstu i wyniki testów.
• Anthropic, Model deprecations — aktualny wykaz generacji modeli, na podstawie którego rozróżniamy rodzinę Claude 5 od wcześniejszych wydań 4.x. Sprawdzono 30.08.2026.
• Hugging Face, safetensors — opis zagrożenia związanego z formatami opartymi na serializacji Pythona i powód powstania bezpiecznego formatu.
• E. Hubinger i in. (Anthropic), Sleeper Agents: Training Deceptive LLMs that Persist Through Safety Training, arXiv:2401.05566 (styczeń 2024)

Stan na 30.08.2026. Wyniki testów pochodzą z materiałów publikowanych przez producentów modeli i nie są wynikami naszych pomiarów. Warunki licencji zmieniają się wraz z kolejnymi wydaniami — przed wdrożeniem komercyjnym należy przeczytać licencję dołączoną do konkretnej wersji wag. Ten wpis nie stanowi porady prawnej.