В мире искусственного интеллекта, где скорость изменений измеряется не годами, а неделями, появление новых моделей с открытым весом (open-weight) становится не просто новостью, а поворотным моментом для всей индустрии. Сейчас мы наблюдаем беспрецедентную ситуацию: три китайские лаборатории — Moonshot AI, DeepSeek и Zhipu AI — одновременно удерживают верхние строчки в рейтингах открытых моделей. Их продукты, Kimi K3, DeepSeek V4 Pro и GLM-5.2, представляют собой не просто итерации предыдущих версий, а качественный скачок в архитектуре. Все три модели используют технологию разреженного Mixture-of-Experts (MoE), обладают контекстным окном в миллион токенов и заточены под сложные задачи долгосрочного программирования и работы агентов.
Для технических директоров, архитекторов ИИ-систем и разработчиков, работающих из России или других регионов с ограничениями на доступ к западным облачным сервисам, этот выбор становится критически важным. Вопрос больше не в том, «какая модель самая умная», а в том, «какая модель даст наилучшее соотношение цены, скорости и прав использования в конкретных условиях». В этой статье мы разберем эти три гиганта по косточкам: от технических характеристик и бенчмарков до реальных затрат на обслуживание и юридических нюансов лицензий.
01Архитектурные особенности: Кто есть кто в мире триллионов параметров
Чтобы понять разницу между этими моделями, нужно заглянуть под капот их архитектуры. Все они являются моделями типа Mixture-of-Experts (MoE), что означает, что для обработки каждого токена активируется лишь небольшая часть всех параметров модели. Это позволяет достигать высокой производительности при меньших вычислительных затратах по сравнению с плотными моделями (Dense models), но требует сложной инфраструктуры для обслуживания.
Kimi K3: Новичок с амбициями
Kimi K3 от Moonshot AI — это, пожалуй, самая впечатляющая с точки зрения масштаба модель в этом сравнении. Это модель Stable LatentMoE с общим количеством параметров 2,8 триллиона. Однако, как и положено MoE-архитектуре, в обработке каждого токена участвует лишь малая часть. Модель активирует 16 из 896 экспертов. Точное количество активных параметров Moonshot не раскрывает, но сам факт наличия 2,8 трлн параметров говорит о колоссальном потенциале знаний и логических способностей. K3 добавляет нативную поддержку зрения (vision), окно контекста в 1 миллион токенов и функцию «всегда включенного» рассуждения (always-on reasoning). Moonshot позиционирует K3 как первую в мире открытую модель класса 3T (триллион параметров), что ставит ее в один ряд с закрытыми коммерческими гигантами.
DeepSeek V4 Pro: Баланс мощности и эффективности
DeepSeek V4 Pro, выпущенный в апреле 2026 года, использует 1,6 триллиона параметров. В отличие от K3, здесь архитектура более прозрачна: модель использует 384 маршрутизируемых экспертов плюс один общий эксперт. При этом в обработке каждого токена участвует 49 миллиардов активных параметров. Это делает V4 Pro более предсказуемым с точки зрения потребления ресурсов. Модель также поддерживает окно контекста в 1 миллион токенов, с максимальным выводом (output) до 384 тысяч токенов. Для более легких задач DeepSeek предлагает вариант V4 Flash с 284 миллиардами параметров и 13 миллиардами активных, что покрывает сценарии, где бюджет ограничен.
GLM-5.2: Лидер до прихода K3
GLM-5.2 от Zhipu AI — самая «компактная» из тройки лидеров, с 744 миллиардами параметров (по некоторым данным, 753 млрд). Активных параметров около 40 миллиардов. Несмотря на меньший размер, GLM-5.2 занимала верхние строчки открытых рейтингов до выхода K3. Модель поставляется с двумя режимами рассуждения: High (высокий) и Max (максимальный), что дает разработчикам гибкость в настройке качества ответов под скорость. Контекстное окно также составляет 1 миллион токенов, но с ограничением на вывод в 131 тысячу токенов. Важно отметить, что GLM-5.2 доступна не только как веса, но и через API, что упрощает первоначальное знакомство.
02Бенчмарки: Измеряем реальную мощь
Сравнение моделей по бенчмаркам — это всегда поле битвы маркетинга и реальности. Производители часто используют разные наборы тестов (harnesses), что делает прямое сравнение цифр некорректным. Однако существует нейтральный компаратор — Artificial Analysis Intelligence Index, который оценивает все три модели на одном и том же наборе задач. Это позволяет получить объективную картину.
Общая интеллектуальная оценка
Согласно данным Artificial Analysis, Kimi K3 набирает около 57 баллов, что ставит ее на 3-е место в общем рейтинге, уступая только Claude Fable 5 и GPT-5.6 Sol, но находясь на одном уровне с Opus 4.8 и GPT-5.5. DeepSeek V4 Pro (в режиме Max reasoning) набирает 44 балла, а GLM-5.2 — 51 балл. Таким образом, K3 демонстрирует лидерство в общих когнитивных задачах, а GLM-5.2 уверенно занимает второе место, опережая V4 Pro.
Программирование и SWE-бенчмарки
В задачах программирования картина становится еще более интересной. Moonshot опубликовала сравнительную таблицу, где K3 и GLM-5.2 прошли через одни и те же тесты. Результаты однозначны: K3 лидирует по всем показателям с большим отрывом.
- DeepSWE: K3 — 67.5, GLM-5.2 — 46.2
- Program Bench: K3 — 77.8, GLM-5.2 — 63.7
- Terminal Bench 2.1: K3 — 88.3, GLM-5.2 — 82.7
- FrontierSWE: K3 — 81.2, GLM-5.2 — 67.3
- SWE Marathon: K3 — 42.0, GLM-5.2 — 13.0
- Automation Bench: K3 — 30.8, GLM-5.2 — 12.9
Что касается DeepSeek V4 Pro, его цифры получены из независимых тестов. V4 Pro Max показал результат 80.6% на SWE-bench Verified, что является лучшим результатом среди открытых моделей на момент релиза и сравнимо с Gemini 3.1 Pro. Также он показал 83.5 на MRCR 1M, подтверждая способность работать с длинным контекстом. GLM-5.2 набрал 62.1 на SWE-bench Pro, немного опередив GPT-5.5 (58.6).
Вывод по производительности: K3 — безусловный лидер по измеренной способности решать сложные задачи. DeepSeek V4 Pro очень конкурентоспособен в изолированных задачах по коду. GLM-5.2 уступает K3, но остается мощным инструментом для открытых весов.
03Лицензирование: Открытость против ограничений
Термин «open-weight» (открытые веса) часто вводит в заблуждение. Наличие весов на Hugging Face не всегда означает полную свободу действий. Здесь кроется главное различие между тремя моделями.
DeepSeek V4 Pro и GLM-5.2: Чистый MIT
Обе модели, DeepSeek V4 Pro и GLM-5.2, распространяются под лицензией MIT. Это «золотой стандарт» для open-source проектов. Лицензия MIT позволяет:
- Свободное коммерческое использование без ограничений.
- Модификацию кода и весов (fine-tuning).
- Самостоятельное размещение (self-hosting) на собственных серверах.
Веса для обеих моделей доступны на Hugging Face с момента релиза. Для DeepSeek это организация, связанная с разработчиком, для GLM-5.2 — организация zai-org. Для российских компаний это критически важно, так как MIT-лицензия не содержит геополитических ограничений, и вы можете легально использовать эти модели в коммерческих продуктах, не опасаясь блокировок со стороны правообладателя.
Kimi K3: Исключение с условиями
Kimi K3 — это аномалия в данном сравнении. На момент написания статьи (июль 2026 года) Moonshot AI обязалась опубликовать веса к 27 июля 2026 года. До этой даты модель доступна только через API и приложения Kimi. Более того, ожидаемая лицензия — Modified MIT. Это не стандартная MIT-лицензия. Она добавляет условие атрибуции (указания авторства), которое активируется только если ваше приложение имеет более 100 миллионов активных пользователей в месяц. Для большинства компаний это не проблема, но для стартапов, планирующих быстрый рост, это потенциальный юридический нюанс, который нужно учитывать заранее.
04Стоимость обслуживания: API и локальный запуск
Здесь происходит самое интересное разделение. Производительность — это одно, а экономика — другое. Для бизнеса важно знать стоимость одного токена вывода (output), так как именно за него чаще всего платят клиенты или внутренние системы.
Цены по API (List Pricing)
Сравнение цен на входные (input) и выходные (output) токены показывает радикальную разницу:
- DeepSeek V4 Pro: Вход — $0.435/MTok, Выход — $0.87/MTok. Кэшированный вход — ~$0.0036/MTok.
- GLM-5.2: Вход — $1.40/MTok, Выход — $4.40/MTok. Кэшированный вход — $0.26/MTok.
- Kimi K3: Вход — $3.00/MTok, Выход — $15.00/MTok. Кэшированный вход — $0.30/MTok.
DeepSeek V4 Pro — явный лидер по стоимости. За один доллар вы получаете примерно 1,15 миллиона токенов вывода. Для сравнения, за тот же доллар GLM-5.2 даст 227 тысяч токенов, а Kimi K3 — всего 67 тысяч. Разница в цене вывода между K3 и V4 Pro составляет более чем в 17 раз.
Скрытые расходы и кэширование
Важно учитывать, что Moonshot сообщает о более чем 90% попаданий в кэш (cache hits) при задачах программирования. Это означает, что эффективная стоимость входа для K3 падает до $0.30 за миллион токенов. Однако стоимость вывода остается высокой. Artificial Analysis, пересчитывая цены в единый blended-формат (7:2:1 кэш/вход/выход), оценивает стоимость задачи для K3 в $0.94, для GLM-5.2 — $0.32, а для DeepSeek V4 Pro — всего $0.04. Это делает V4 Pro непревзойденным по экономической эффективности.
Локальное развертывание (Self-Hosting)
Для многих российских компаний, стремящихся к суверенности данных, локальный запуск критичен. Здесь K3 проигрывает по всем фронтам.
- GLM-5.2 (744B): Требует более 1 ТБ VRAM в формате BF16. В оптимизированном формате FP8 это примерно 8 видеокарт NVIDIA H200. Это дорого, но достижимо для крупных корпораций.
- DeepSeek V4 Pro (1.6T): Требует еще больше ресурсов, чем GLM-5.2. Развертывание такой модели требует серьезной кластерной инфраструктуры.
- Kimi K3 (2.8T): Moonshot рекомендует использовать 64 или более ускорителей. Это делает локальный запуск K3 практически невозможным для подавляющего большинства команд. K3 использует веса MXFP4 и активации MXFP8 для лучшей поддержки оборудования, но масштаб остается запредельным.
05Скорость инференса
Производительность измеряется не только в баллах бенчмарков, но и в токенах в секунду (tokens/sec). Здесь GLM-5.2 делает сюрприз. Согласно измерениям Artificial Analysis, GLM-5.2 генерирует около 168 токенов в секунду. Это значительно быстрее, чем DeepSeek V4 Pro и Kimi K3, которые показывают примерно по 62 токена в секунду. Для пользовательских интерфейсов, где важна отзывчивость, GLM-5.2 может быть предпочтительнее, даже если она немного уступает K3 в «интеллекте».
06Что это значит на практике
Итак, как выбрать модель для вашего проекта в 2026 году? Ответ зависит от ваших приоритетов.
Выбирайте DeepSeek V4 Pro, если:
Ваш главный приоритет — минимизация затрат при сохранении высокого качества кода. V4 Pro предлагает лучшую цену за токен, чистую MIT-лицензию и доступные веса. Если вы строите агента, который должен выполнять тысячи задач в день, экономия на каждом токоне складывается в огромную сумму. V4 Pro также отлично справляется с длинным контекстом (384K вывода).
Выбирайте GLM-5.2, если:
Вам нужен баланс между ценой, скоростью и возможностью локального запуска. GLM-5.2 быстрее K3 и V4 Pro, дешевле K3, и ее можно развернуть на собственном оборудовании (при наличии достаточного бюджета на GPU). Она занимает промежуточное положение: умнее, чем можно ожидать от ее размера, и доступна для коммерческого использования без ограничений. Если вам важна скорость ответа для пользователя, GLM-5.2 — отличный выбор.
Выбирайте Kimi K3, если:
Вам нужна максимальная возможная интеллектуальная мощность для самых сложных задач, и бюджет не является ограничением. K3 лидирует в бенчмарках, особенно в сложных сценариях программирования и рассуждения. Однако, до 27 июля 2026 года вы можете использовать ее только через API, что дорого. После публикации весов (под Modified MIT) вы сможете развернуть ее локально, но это потребует огромных инвестиций в инфраструктуру (64+ GPU). K3 — это выбор для тех, кто готов платить премию за лидерство в технологиях.
Итоговая рекомендация
Если вы планируете выбор, основываясь на проверке лицензий и доступности прямо сейчас, DeepSeek и GLM-5.2 являются безопасными и экономичными вариантами. Покупатели, гонящиеся за пиковыми баллами бенчмарков, могут подождать публикации весов K3 или заплатить премию за API. Для большинства российских компаний, ищущих надежное, легальное и экономичное решение для внедрения ИИ в бизнес-процессы, DeepSeek V4 Pro и GLM-5.2 представляют собой наиболее рациональный выбор на текущий момент.
Рынок открытых LLM продолжает сжиматься, и разрыв между «топовыми» и «доступными» моделями становится все более четким. Понимание этих нюансов — лицензий, архитектуры и реальных затрат — станет ключевым конкурентным преимуществом для команд, которые хотят строить эффективные ИИ-продукты, а не просто экспериментировать.
Источник: MarkTechPost ↗