Kínai vezetés az open-weight nyelvi modellekben és az amerikai visszaerősödés kihívásai

2026 közepére a kínai AI-laborok lettek az open-weight nyelvi modellek vezető szereplői, meghaladva az amerikai modelleket letöltésekben, teljesítményben és akadémiai használatban. Az open-weight modellek gazdasági jelentősége növekszik: egyre több vállalat és kutatócsoport épít erre az ökoszisztémára, miközben új biztonsági és szabályozási kérdések merülnek fel, amelyeket technikai korlátozásokkal nehéz kezelni.

Mit értünk open-weight és open-source modellek alatt?

• Open-weight nyelvi modell: a modell súlyai (weights) nyilvánosan hozzáférhetők ellenőrzésre vagy további felhasználásra; gyakori példa a Meta Llama, Alibaba Qwen vagy Google Gemma. Ezekhez gyakran társulnak licencek és inference-kódok (pl. Transformers, VLLM, SGLANG).
• Igazi open-source modell: a súlyokon túl a teljes reprodukcióhoz szükséges anyag (tréningkód, tréningadat) is elérhető. Eltérő szereplők, köztük amerikai non-profitok (pl. Allen Institute for AI Olmo modelljei, OpenAthena Marin, EleutherAI Pythia), készítik ezeket.
• A modellek skálán helyezkednek el: van, amelyik „fél-nyitott” (pl. Nvidia Nemotron, amely jelentős részben nyilvános tréningadatot adott meg), és a zárt modellek (API-alapú hozzáférés, pl. GPT-4 vagy Claude) is különböző fokon átláthatóak.

Versenyállás: miért vezet Kína az open-weight modellekben?

• Idővonal és mérőszámok: a kínai modellek — különösen Alibaba Qwen családja — letöltési számokban átvették a vezetést Hugging Face-en 2025 júliusa óta. Az American Truly Open Models (ATOM) Project adatai szerint 2026. szeptember 14-én a kínai modellek letöltési előnye mintegy 1,6 milliárd volt, összesen ~3,2 milliárd letöltéssel, ami körülbelül kétszerese az amerikaiakénak.
• Teljesítmény: a mesterséges benchmarkokon, például az Artificial Analysis Intelligence Index (AAII) szerint a kínai open-weight modellek — Z.ai GLM-5.3 és GLM-5.3-Flash, Moonshot AI Kimi K3 — vezetnek (AAII pontszámok: 45, 42, 44). Az amerikaiak legjobb nyílt modelljei, Thinking Machines Inkling és Inkling Small 26 ponttal, Nvidia Nemotron 3 Ultra 23 ponttal szerepelnek. A vezető amerikai modellek 2026 júniusában–júliusában jelentek meg, és ritkábban frissülnek.
• Időbeli eltolódás: globálisan a kínai open-weight modellek nagyjából 2–5 hónappal vannak lemaradva a zárt amerikai frontier modellektől; az amerikai open-weight modellek pedig körülbelül 6–9 hónappal maradnak el OpenAI és Anthropic szintjétől.

Mi magyarázza a kínai előnyt?

• Gyorsabb kiadási ciklus és fókuszáltabb feladatdisztribúció: a kínai laborok gyorsabban adnak ki modelleket és gyakran szűkebb feladathalmazra optimalizálnak, ami nyilvános benchmarkokon kedvezőbb helyezést eredményez.
• Tréningadatok és piachoz való alkalmazkodás: 2026-ban a legnagyobb kínai laborok (pl. Moonshot AI, Z.ai) is elkezdtek külső forrásból vásárolni csúcskategóriás tréningadatokat, beleértve az agentikus feladatokhoz szükséges RL környezeteket.
• Distillation (modellek lemásolása) hatása: a kínai iparág elterjedten alkalmazza a distillation technikákat, melyek egyes amerikai modellek outputjára építve gyorsítják a fejlődést. A szerző becslése szerint a distillation megakadályozása (pl. KYC eszközökkel) csak 1–2 hónnyal növelné az amerikai modellek előnyét, tehát ez nem magyarázza az egész különbséget.

Az open-weight modellek használata: ipar, akadémia, platformok

• Platformadatok: az OpenRouter heti token-feldolgozása nyár 2025-ről 2026-ra nagy növekedést mutatott: körülbelül heti ~1T tokenről ~80T tokenre nőtt. Ugyanebben az időszakban a kínai modellek részesedése a használatból ~70%-ról több mint 80%-ra emelkedett. Hasonló tendenciák láthatók OpenCode és egyéb, open-modelleket kereskedelmesítő platformokon (OpenCode esetében a kínai modellek ~95% vagy annál nagyobb részarányú inference-t jelentenek).
• Vállalati és startup használat: több ismert szereplő épít vagy épített kínai modellekre (példák: Harvey, Cursor, DoorDash Kimi használata, Airbnb Qwen használata, Perplexity DeepSeek használata). Emellett növekszik az amerikai startupok és cégek és a kínai laborok közti vállalati megállapodások száma, amely új, határokon átnyúló együttműködési formát jelent.
• Akadémiai adaptáció: arXiv-papírok vizsgálata alapján az open modelok említése az öt népszerű ML-kategóriában 2023 januárjában ~2% volt, 2026 szeptemberére ~50%-ra nőtt. Llama említése 2023 tavaszán ~5,5% körül, 2024 őszén ~23% volt; 2026 szeptemberén Llama ~21%-os említésnél jár, míg Qwen említése ~30%-ra nőtt. Általánosságban bármely kínai open-weight modellről szóló említés mostanra ~40% fölött van, szemben az USA ~30%-ával.

Kockázatok, szabályozás és ökoszisztéma-előkészület

• Nehéz korlátozni a nyílt modellek elérését: mivel a súlyok és egyéb komponensek publikusak, technikailag nehéz megakadályozni, hogy rossz szereplők hozzáférjenek. Példa: HuggingFace egy kínai open-weight modellt használt egy kibertámadás megértéséhez, mert a zárt modellek nem adták meg a választ.
• Szabályozási bizonytalanság: a frontier modellek kockázataival kapcsolatos dokumentáció és incidensek (pl. OpenAI–HuggingFace ügy) miatt nő a szabályozói figyelem, de a gyakorlati jogi végrehajtás módja bizonytalan.
• Ajánlott stratégia: az ökoszisztéma felkészítése és a belföldi befektetések ösztönzése az open modellekbe. A belföldi tulajdon jobb koordinációt és kockázatkezelést tesz lehetővé, miközben tovább gyorsítja az AI-szolgáltatások gazdasági elterjedését.

Összegzés és következtetések

• 2026-ban a kínai laborok egyértelműen vezető szerepet töltenek be az open-weight AI-ekoszisztémában. Ez egybeesik az open-weight modellek gazdasági életképességének megszilárdulásával és az amerikai laborok fokozott aktivitásával.
• A kínai modellek vezetése nem magyarázható kizárólag a distillationnel; a gyors kiadások, fókuszált feladatoptimalizáció és a tréningadatokhoz való alkalmazkodás mind hozzájárulnak.
• Az open-weight modellek gyors terjedése új potenciális kockázatokat hoz (pl. kiberbiztonság), amelyek kezeléséhez ökoszisztéma-szintű felkészülésre és nemcsak technikai korlátozásokra van szükség.
• A javasolt megközelítés: folytatni és ösztönözni a belföldi befektetéseket és kutatást az open modellekben, miközben nemzetközi együttműködéseket és előkészületeket építünk a lehetséges visszaélések mérséklésére.

Köszönetnyilvánítás: Florian Brand és Kevin Xu visszajelzései és javaslatai szerepeltek a háttérben. További adatokért lásd az Interconnects Dashboard-ot és az open-source AI reading listet.