O czym jest ten film
- Firma Moonshot wypuściła model Kimi K3 — według autora wchodzi on w terytorium modeli granicznych, zwłaszcza w zaawansowanej inżynierii oprogramowania.
- W benchmarkach programistycznych Kimi K3 dorównuje najlepszym modelom, a w części testów terminalowych bije nawet Fable.
- Kluczowy argument to ekonomia: zbliżona do najdroższych modeli inteligencja przy kosztach rzędu tańszej klasy (autor porównuje to do „ceny Sonnet 5 za jakość Fable 5”).
- Model jest chiński i najpewniej trafi do ekosystemu open source, co może zmienić kalkulację biznesową OpenAI i Anthropic.
- Autor na żywo porównuje Kimi K3 z Fable 5 na zadaniach: dokument badawczy, sceny 3D/WebGL, proceduralne krajobrazy, galaktyka cząsteczkowa i minigry.
- W prostych projektach jakość jest zbliżona; w scenach 3D i wizualizacjach Kimi bywa wyraźnie lepszy, ale bywa też znacznie wolniejszy.
- Realne firmy, także duże, już pytają autora o migrację infrastruktury z zamkniętych dostawców na Kimi K3.
- Autor przechodzi do refleksji: cena inteligencji spada, jego zdaniem, o rząd wielkości rocznie, a wąskim gardłem przestaje być sam model — staje się nim dystrybucja.
- Eksperyment myślowy: nawet gdyby modele przestały mądrzeć, ludzkość i tak przez dekady wplatałaby obecny poziom AI w gospodarkę i naukę.
- Autor cieszy się z konkurencji i nie chce świata, w którym cała inteligencja skupiona jest w jednym kraju — sam nie zna odpowiedzi, ale uważa, że pora zadawać pytania.
Redakcyjne tłumaczenie
Trzęsienie ziemi w ciągu kilku godzin
Rany, ile się zmieniło w ciągu ostatnich kilku godzin. Pojawił się Kimi K3 i całkowicie naruszył zarówno układ sił wobec modeli zamkniętych, jak i równowagę między amerykańską hegemonią wśród twórców modeli a stroną chińską.
Firma Moonshot pracuje nad Kimi już od jakiegoś czasu. Wspominałem o tym trochę na kanale — udostępniali swoje modele jako open source na platformach w rodzaju Ollamy. Ale to przebija wszystko. Jak widać, kiedy zaledwie kilka godzin temu wypuścili Kimi K3, model jest niemal łeb w łeb z czołówką w zaawansowanej inżynierii oprogramowania. Powiem z pełnym przekonaniem: to już terytorium modeli granicznych. W granicznej inżynierii oprogramowania rozkłada GPT 5.6 na łopatki.
(Informacja dodatkowa: „model graniczny” — ang. frontier model — to potoczne określenie najbardziej zaawansowanych modeli AI danej generacji. Nazwy modeli i wersji, takie jak „GPT 5.6”, „Fable 5”, „Sonnet 5”, padają w materiale jako punkty odniesienia z połowy 2026 roku.)
Ich własne, wewnętrzne benchmarki — nawet jeśli obciążone stronniczością — mówią to samo. W kilku testach terminalowych, jak Terminal Bench 2.1, Kimi wypada lepiej nawet od Fable. W Program Bench — znacznie lepiej niż Fable.
Dlaczego to zmienia rachunek kosztów
To sporo namiesza w preferencjach użytkowników. Bo po co płacić ceny Fable, skoro można dostać jakieś 98% inteligencji Fable 5 w kosztach na poziomie Sonnet 5? I mimo tego, jak większość firm amerykańskich i zachodnich podchodzi do oddawania sterty danych „strasznym” chińskim modelom — jest tu wiele do powiedzenia. Jeśli wypchną to do ekosystemu open source, tak jak zrobili z Kimi K2.7 Code, znacząco zmieni to kalkulację ekonomiczną firm pokroju Anthropica czy OpenAI.
Zaraz przetestuję te modele razem z wami, żebyście zobaczyli, co to naprawdę oznacza — bo nie chcę, żebyśmy gapili się na wyrwane z kontekstu benchmarki. Chcę być jasny: to duży przewrót. Wielu ludzi z MakerSchool i z firm, które doradzam, już mnie pyta: „Nick, ile by kosztowało przeniesienie całej mojej infrastruktury na Kimi K3, zamiast dalej działać na zamkniętych, uwiązanych do dostawcy rozwiązaniach jak OpenAI czy Anthropic?”. A część z nich to firmy warte miliardy dolarów. To nie jest błaha decyzja.
Test 1: proste projekty graficzne
Najpierw dość podstawowy design — prosta praca badawcza o stanie pracy zdalnej. Jak widać, projekty są teraz do siebie zbliżone. Jest ku temu kilka powodów. Prawdopodobnie Kimi K3 destylował wiedzę bezpośrednio z Fable 5 albo doszło do sporego wzajemnego przenikania się zbiorów danych. Myślę, że prowadzą też dużo ukierunkowanego treningu, żeby model robił rzeczy takie jak różnicowanie krojów pisma. Nic ekscytującego — jakość Kimi K3 będzie tu zbliżona do Fable.
To samo widać na tym przykładzie z pojazdami elektrycznymi. Fable postawił na dość mdły raport badawczy, a Kimi pozwolił sobie na odrobinę więcej twórczej swobody — choć efekt jest bardzo podobny. Oba użyły tego staroszkolnego, książkowego stylu z bardzo dużą pierwszą literą. Powiedziałbym, że Kimi lepiej dobrał jej rozmiar, co ciekawe.
Test 2: sceny 3D i WebGL — tu jakość się rozjeżdża
Teraz sceny 3D i WebGL — i tu jakość naprawdę zaczyna się różnić. Po prawej jest coś w rodzaju orbitalnej siatki ruchu autorstwa Fable. Robi robotę: technicznie to glob, po którym informacja przemieszcza się z jednej strony na drugą. Całkiem zgrabne. Ale kiedy porównać to z wersją Kimi, widać przepaść. To po prostu nieporównywalne. Wciąż mogę przybliżać i robić właściwie wszystko, ale mamy tu ten niesamowity, wręcz nieziemski klimat. To całe państwo z wyraźnie rozprowadzonymi „autostradami informacji”. Gdy przybliżam, robi się jeszcze czytelniej — to wysokiej rozdzielczości mapa z nałożoną warstwą. O tamtej wersji nie mogę tego powiedzieć. Pamiętajcie, to oczywiście generacje „za jednym strzałem”, ale powiedziałbym, że Kimi wypadł na równi, jeśli nie znacznie lepiej.
Test 3: proceduralny przelot i galaktyka
Po prawej mamy nieskończony przelot Fable 5 nad proceduralnie generowaną mapą. Całkiem fajne — jest tam jakieś dudnienie, które szczerze trochę mnie przeraża. To samo mogę zrobić z Kimi K3 — krajobraz jest czystszy i ładniejszy, pewnie po prostu piękniejszy. Są za to problemy z czytelnością czcionki na górze. Prędkość zmieniam scrollowaniem.
Niżej mamy scenę cząsteczkową — galaktykę, mgławicę. Po prawej wersja Fable: gdy schodzę w dół, większość ekranu po prostu robi się biała. Mogę tym poruszać. Przypomina mi to grę Spore — nie wiem, czy graliście, ale ja spędziłem przy niej sporo czasu.
Po prawej mogę regulować suwakiem jasność gwiazd, co jest fajne. Po kliknięciu plusa zmieniam ilość gwiezdnego pyłu, liczbę ramion, obrót, „znacznik chaosu” — naprawdę przyjemne. To jest naprawdę dobre. Nie wiem, czy da się to zrobić w wersji Fable — chyba nie. Więc Aura zdecydowanie rozłożyła tu Nebula Andraste. Daję zwycięstwo Kimi K3, choć warto odnotować, że zajęło mu to trzy razy więcej czasu niż Fable.
Test 4: minigry i cena za sekundę
Na koniec kilka minigier. Po prawej Fable 5 z układanką typu stacker — układam klocki, wygląda nieźle. Nie jestem w tej grze zbyt dobry, stąd przegrana. Muszę pozamykać trochę kart, zanim komputer dostanie przepukliny.
Widać, że układanie jest trójwymiarowe, co mi się podoba. Przypomina bardziej to, co widuje się w kasynach czy salonach gier. Nie widzę tu wielkich różnic w jakości. Jeden model jest trochę lepszy w jednym, drugi w czymś innym. Sęk w tym, że jeden działa w cenach Sonnet 5, a drugi w cenach Fable 5. Wybierz swoją minigrę: wolę poczekać dwa razy dłużej za jedną trzecią albo jedną piątą ceny, czy mieć to w 80 zamiast 240 sekund, ale wypalić dziurę w portfelu?
Refleksja: inteligencja tanieje, wąskim gardłem jest dystrybucja
Jak wygląda świat, w którym wszyscy mamy w kieszeni inteligencję poziomu Fable 5 praktycznie za darmo? Bo jeśli to nie jest jasne — właśnie tam to wszystko zmierza. Inteligencja nie drożeje. Sztuka za sztukę, funt za funt, tanieje jakieś 30–40 razy rocznie, wedle moich wyliczeń. Robi się tak przytłaczająco tania, że widzę realną możliwość, iż w przyszłości duże modele językowe będą działać na słuchawkach i wykonywać większość tego, co dziś robi Fable 5. A to kwestia najbliższych kilku lat.
Co by się stało w takim świecie? Nie trzeba być neurobiologiem, żeby to wyjaśnić — ale mam publikację naukową z neuronauki, więc spróbuję. Krótko mówiąc: uzyskamy mocno zdemokratyzowany dostęp do przeciętnej ludzkiej inteligencji. Będziemy w stanie uruchamiać dziesiątki, jeśli nie setki takich modeli za pstryknięciem palca, do dowolnego wartościowego intelektualnie zadania. Kiedy to nastąpi, cały aspekt niedoboru w gospodarce zmieni się całkowicie.
Dziś ludzka praca umysłowa jest wąskim gardłem właściwie wszystkiego. Jeśli chcesz usługę, stronę, raport doradczy, rozwój nowej technologii, badania materiałowe, przesuwanie granic nauki — potrzebujesz ludzi. To nasze „mięsne mózgi” to wszystko robią. Jak więc będziemy wyceniać ludzką pracę ekonomiczną? Co stanie się z większością zawodów, które dziś wykonujemy?
Eksperyment myślowy: co, gdyby modele przestały mądrzeć
Ciekawy eksperyment myślowy: załóżmy, że z jakiegoś powodu — choćby praw fizyki — modele przestają mądrzeć. Od teraz ani trochę mądrzejsze. Utknęliśmy na poziomie konsumenckiego Fable 5 i nie da się go już rozwinąć. Co dzieje się ze światem przez następne 20–30 lat?
Czy cały postęp naukowy się zatrzymuje, skoro same modele nie będą już mądrzejsze? Nie. Ludzie wymyślą sposoby, żeby te modele wykorzystywać, wplatać w społeczeństwo, wszywać w tkankę życia społecznego — i to potężnie, przez następne 20–30 lat. Asystenci AI będą nas budzić rano. Będą koordynować budowę i architekturę nowych planet. Inteligencja poziomu Fable 5 mogłaby zaopiekować się tysiącami ludzi na statku pokoleniowym w roku 2982.
Inteligencja modelu naprawdę nie jest już wąskim gardłem — jest nim dystrybucja. To właśnie Kimi K3 skutecznie rozwiązuje. Można mieć każdego na Ziemi (kto ma dostęp do GPU — to zupełnie osobna historia) uruchamiającego to na przyszłym, w pełni otwartym rozwiązaniu w stylu Ollamy.
Chcę być jasny: nie znam odpowiedzi na te pytania. Zadaję je, bo uważam, że teraz jest czas, by je stawiać — a nie za 10 lat, kiedy te odpowiedzi mogłyby nam pomóc dekadę wcześniej. Widok fajnych technologii jak Kimi K3 naprawdę mnie napędza. Cieszę się, bo nie chcę jednobiegunowej przyszłości, w której cała inteligencja skupia się i zamyka w jednym kraju. Powinniśmy mieć jakąś formę konkurencji.
Pomyślcie o tym. Wszyscy będziemy mieć modele w stylu Kimi K3 w telefonach — w pełni dostępne, z niesamowitym czasem działania. Czego więcej naprawdę potrzeba na naszym obecnym poziomie? A jeśli odpowiedź brzmi „niczego”, to znaczy, że coś w naszym obecnym układzie będzie musiało się zmienić. Po prostu nie da się utrzymać obecnej gospodarki w świecie, w którym modele robią zdecydowaną większość wszystkiego.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Kimi K3 to poważny kandydat do zadań programistycznych
Na czym polega: Otwarty model chińskiej firmy Moonshot dorównuje, według autora, czołówce w zaawansowanej inżynierii oprogramowania, a w części testów terminalowych ją przewyższa.
Jak stosować: Jeśli twoje obciążenia to głównie kod i praca w terminalu, dopisz Kimi K3 do listy modeli, które realnie testujesz obok dotychczasowego dostawcy — na własnych zadaniach, nie na cudzych benchmarkach.
Na co uważać: Autor sam zaznacza, że benchmarki producenta są stronnicze i że to „strzały za jednym razem”. Zweryfikuj na powtarzalnym, reprezentatywnym zestawie zadań, zanim uznasz przewagę za realną.
2.Główna przewaga to cena za jednostkę inteligencji, nie sama jakość
Na czym polega: W wielu zadaniach jakość jest zbliżona do najdroższych modeli, ale koszt bliższy tańszej klasy — „jakość Fable 5 za cenę Sonnet 5”.
Jak stosować: Licz koszt na realne zadanie i na sekundę odpowiedzi, a nie tylko cenę za token. Dla dużych wolumenów podobnej jakości różnica w rachunku może być decydująca.
Na co uważać: Tańszy model bywa wolniejszy — w teście galaktyki Kimi potrzebował trzykrotnie więcej czasu. Tam, gdzie liczy się latencja (np. interakcja na żywo), oszczędność na cenie może kosztować na czasie.
3.Otwartość zmienia rachunek zależności od dostawcy
Na czym polega: Jeśli model trafi do open source (jak wcześniejsza wersja Kimi K2.7 Code), można go hostować samodzielnie i uniezależnić się od zamkniętych API.
Jak stosować: Rozważ Kimi K3 tam, gdzie zależy ci na kontroli nad danymi, przewidywalności kosztów i uniknięciu uwiązania do jednego dostawcy — zwłaszcza przy planach self-hostingu w stylu Ollamy.
Na co uważać: „Otwarty” nie znaczy „darmowy w użyciu na produkcji” — potrzebujesz dostępu do GPU, który autor wprost nazywa osobnym, niebłahym problemem. Policz koszt infrastruktury, nie tylko licencji.
4.Chińskie pochodzenie modelu to realna zmienna zgodności i ryzyka
Na czym polega: Wiele firm zachodnich obawia się przekazywania danych chińskim modelom; jednocześnie ekonomiczna presja na migrację rośnie.
Jak stosować: Traktuj wybór modelu jako decyzję nie tylko techniczną, ale i dotyczącą zgodności oraz zarządzania danymi. Self-hosting otwartego modelu może rozwiązać część obaw o dane.
Na co uważać: Nie przenoś krytycznej infrastruktury pochopnie — autor mówi o firmach wartych miliardy, dla których to „niebłahe przedsięwzięcie”. Zacznij od pilotażu i oceny ryzyka, nie od migracji „na hurra”.
5.W prostych zadaniach modele się wyrównały — różnicę robią zadania złożone
Na czym polega: Na prostym dokumencie czy layoutcie jakość Kimi i Fable jest bardzo zbliżona; przewaga Kimi ujawnia się dopiero w scenach 3D/WebGL i wizualizacjach.
Jak stosować: Nie oceniaj modeli na trywialnych promptach — one nie różnicują. Testuj na najtrudniejszych, najbardziej reprezentatywnych zadaniach ze swojego realnego zastosowania.
Na co uważać: Zbieżność projektów może wynikać z destylacji lub przenikania zbiorów danych między modelami — podobny wynik nie oznacza niezależnego potwierdzenia jakości.
6.Ocena „za jednym strzałem” to sygnał, nie dowód
Na czym polega: Cały test opiera się na pojedynczych generacjach bez poprawek, co autor sam podkreśla.
Jak stosować: Traktuj takie pokazy jako wstępny sygnał kierunku. Do decyzji produkcyjnej zbierz wiele prób na tym samym zadaniu i oceń medianę oraz powtarzalność, nie efektowny pojedynczy wynik.
Na co uważać: Efektowna demonstracja jednej sceny nie mówi nic o stabilności, powtarzalności ani zachowaniu na twoich nietypowych danych.
7.Koszt inteligencji spada bardzo szybko — planuj z tym trendem
Na czym polega: Autor szacuje spadek kosztu jednostki inteligencji o 30–40 razy rocznie i przewiduje modele działające lokalnie na urządzeniach.
Jak stosować: Projektuj architekturę tak, by łatwo wymieniać model. Nie przywiązuj się na sztywno do jednego dostawcy, skoro relacja cena–jakość zmienia się w miesiącach, nie latach.
Na co uważać: To prognoza i osobiste wyliczenie autora, nie zweryfikowany fakt. Nie buduj biznesplanu na założeniu, że dokładnie taki wykładniczy spadek się utrzyma.
8.Wąskim gardłem staje się dystrybucja, nie inteligencja modelu
Na czym polega: Teza autora: nawet obecny poziom AI, gdyby przestał się rozwijać, przez dekady byłby wplatany w gospodarkę i przynosiłby ogromną wartość. Blokerem jest powszechny dostęp, a nie „mądrość” modelu.
Jak stosować: Skup energię na integracji AI z realnymi procesami i produktami, a nie na czekaniu na kolejny, mądrzejszy model. Wartość leży dziś w zastosowaniu, nie w benchmarku.
Na co uważać: To ramka myślowa, a nie instrukcja — autor jawnie mówi, że nie zna odpowiedzi. Traktuj to jako inspirację strategiczną, nie gotową receptę.
9.Konkurencja między ośrodkami AI jest wartością samą w sobie
Na czym polega: Autor cieszy się z pojawienia się silnego modelu spoza amerykańskiej hegemonii, bo nie chce jednobiegunowej przyszłości z inteligencją skupioną w jednym kraju.
Jak stosować: Utrzymuj w swoim stosie realną opcjonalność — testuj i miej gotowego zapasowego dostawcę. Konkurencja zbija ceny i ogranicza ryzyko uzależnienia od jednego podmiotu.
Na co uważać: To argument wartościujący, nie techniczny. Wybór alternatywnego modelu nadal wymaga własnej oceny jakości, kosztów i zgodności.
10.Duże pytania o rynek pracy i gospodarkę warto zadawać już teraz
Na czym polega: Autor stawia tezę, że obecnej gospodarki nie da się utrzymać w świecie, w którym modele wykonują zdecydowaną większość pracy umysłowej.
Jak stosować: Potraktuj to jako bodziec do przemyślenia, gdzie twoja praca lub firma daje wartość niesprowadzalną do „przeciętnej inteligencji na żądanie”, i inwestuj w te obszary.
Na co uważać: To spekulacja i prowokacja intelektualna, nie prognoza z konkretną datą. Nie podejmuj radykalnych decyzji życiowych czy biznesowych wyłącznie na jej podstawie.