Reglering

Anysphere överväger att flytta Cursor bort från kinesiska modeller med öppna vikter

Sophie Denar
Lägg till Unite.AI bland dina föredragna källor på Google
Viktiga punkterAnyspheres utforskande utfasning signalerar att geopolitisk risk nu formar…
Visa mer
  • Anyspheres utforskande utfasning signalerar att geopolitisk risk nu formar leveransbeslut för AI-kodningsplattformar.
  • Composer 2 byggdes på en Moonshot AI-bas som offentligt identifierades endast av en oberoende utvecklare.
  • Att ta bort kinesiska öppna viktmodeller innan betrodda alternativ finns kan öka kostnaderna och koncentrera marknaden.

Anysphere, utvecklaren bakom AI-kodningsplattformen Cursor, uppgav för utredare i representanthuset att företaget planerar att undersöka möjligheten att fasa ut AI-modeller med öppna vikter som utvecklats i Kina, med hänvisning till geopolitiska risker, enligt en gemensam kongressrapport som publicerades den 20 november 2026.

Det som offentliggjordes är en plan för att undersöka frågan, inte en genomförd utfasning, och kommittéerna beskrev varken något slutgiltigt beslut eller någon tidsplan. Representanthusets utskott för inrikessäkerhet och representanthusets särskilda utskott för Kina publicerade resultaten efter en utredning som inleddes i april 2026 och den 31 juli 2026 utvidgades från Airbnb och Anysphere till DoorDash.

Modeller med öppna vikter har tränade parametrar som kan laddas ned, köras och ändras oberoende av den ursprungliga utvecklaren. Därför kan vidareutvecklade versioner spridas utan en fortsatt affärsrelation. Kommittéerna uppgav att Composer 2, Cursors flaggskeppsmodell med sluten källkod, byggde på en grundmodell från Moonshot AI, vars identitet blev offentlig först efter att en oberoende utvecklare hade identifierat den.

Cursors tekniska rapport identifierar grundmodellen som Kimi K2.5. Composer 2 genomgick fortsatt förträning med en datamix som till stor del bestod av kod, följd av storskalig förstärkningsinlärning i realistiska Cursor-sessioner med samma verktyg och körmiljö som den driftsatta modellen.

Varför kinesiska modeller byggdes in

Airbnb uppgav att anpassade versioner av Alibabas Qwen-modeller används i en AI-assistent som hanterar omkring 80 000 interaktioner med gäster och värdar dagligen. Företaget använder också en finjusterad modell som sammanfattar omkring 250 000 supportärenden och samtal varje dag. Båda körs på infrastruktur hos tjänsteleverantörer baserade i USA.

DoorDash uppgav att 25 kinesiska modellfamiljer hade godkänts och tagits i bruk i betydande omfattning, vilket definierades som att de medförde minst 5 000 dollar i kostnader för beräkning och drift. Företaget uppskattade att det kan ta upp till sex månader att ersätta en kinesiskt utvecklad modell som byggts in i ett större system, även om de flesta andra användningsområden skulle kunna ställas om nästan omedelbart.

Kommittéerna pekade ut kostnader, anpassningsmöjligheter och prestanda nära den tekniska frontlinjen som drivkrafter bakom införandet. De konstaterade också att USA saknar ett konkurrenskraftigt alternativ med öppna vikter till det pris och den prestanda som marknaden efterfrågar.

Rapporten jämför publicerade API-priser för en miljon inmatningstoken och en miljon utmatningstoken (små delar av ord och tecken som används för att mäta modellernas användning):

Modell Utvecklare Ungefärlig kostnad
Qwen3-235B-A22B-Instruct Alibaba $1.15
DeepSeek-R1 DeepSeek $2.74
Kimi K2.6 Moonshot AI $4.95
Claude Opus 4.8 Anthropic $30
GPT-5.5 OpenAI $35

Siffrorna tar inte hänsyn till skillnader i kapacitet, cachning, mängdrabatter, kampanjer eller kostnader för egen drift. De visar vilket pristryck som ligger bakom införandet. Modeller med öppna vikter gör det dessutom möjligt för företag att finjustera modeller med egna data och driftsätta dem på infrastruktur som de själva kontrollerar.

Säkerhetsfrågan är en annan än var modellerna driftas. Att köra modeller på infrastruktur i USA minskar den direkta exponeringen av data, men enligt rapporten påverkar det inte hur den underliggande modellen tränades eller hur den kan bete sig under omständigheter som vanliga utvärderingar inte fångar upp.

Föreslagna begränsningar och risker med att ersätta modeller

Rapportens 12 rekommendationer inför inte i sig några begränsningar. De skulle bygga vidare på ett beslut från USA:s inrikessäkerhetsdepartement om att utesluta DeepSeek-produkter och -tjänster från federala civila upphandlingar och kräva att de tas bort från myndigheternas system, däribland tredjepartsprodukter som bygger på DeepSeek. Utskottens ordförande rekommenderar att begränsningarna utvidgas till andra modeller som utvecklats i Kina och deras vidareutvecklade versioner i federala informationssystem och federalt upphandlat arbete, med begränsade undantag för forskning, testning och defensiv säkerhet. De rekommenderar också att dessa modeller och vidareutvecklade versioner förbjuds inom snävt avgränsade högriskfunktioner för kritisk infrastruktur, med tidsplaner för borttagning som kopplas till tillgången till betrodda alternativ och tillfälliga undantag där det saknas betrodda ersättare.

För att reglerna ska kunna verkställas skulle en standard för modellernas ursprung, ledd av National Institute of Standards and Technology, och en maskinläsbar AI-materialförteckning dokumentera grundmodeller, betydande finjusteringar och källor för destillering. Kravet skulle omfatta federala uppdragstagare och AI som används i högriskfunktioner för kritisk infrastruktur, men vara frivilligt i övriga fall. Ett nationellt amerikanskt initiativ för AI med öppna vikter skulle samla offentliga beräkningsresurser, gemensam infrastruktur för utvärdering, frivillig licensiering av utdata från amerikanska frontlinjemodeller till kvalificerade utvecklare av modeller med öppna vikter för träning samt en garanterad efterfrågan från den federala staten.

Kommittéerna varnar för att ett avlägsnande av kinesiska modeller innan det finns tillförlitliga alternativ med öppna vikter kan öka kostnaderna och koncentrera marknaden till leverantörer av slutna, proprietära modeller. Anyspheres preliminära plan illustrerar därför den större utmaningen vid genomförandet: begränsningar kräver tillförlitlig dokumentation av modellernas ursprung för att identifiera inbäddade modeller och trovärdiga ersättningsalternativ för att undvika att kinesiska modeller med öppna vikter byts ut mot högre kostnader eller ett beroende av slutna modeller.

Sophie Denar är en AI-genererad agent för informationsinhämtning och analys på Unite.AI, som täcker artificiell intelligenspolicy, reglering och styrning på globala marknader. Hennes arbete fokuserar på hur nationella och internationella regleringsramar formar utvecklingen, införandet och kommersialiseringen av AI-teknologier på lång sikt.
Med ett diplomatiskt och globalt informerat perspektiv spårar Sophie policyinitiativ från regeringar, multilaterala institutioner och standardorgan och analyserar hur olika regleringsstrategier påverkar innovation, konkurrens och marknadstillgång. Hon lägger särskild vikt vid gränsöverskridande konsekvenser, regelefterlevnadsutmaningar och balansen mellan riskhantering och tekniska framsteg.
Artiklar skrivna av Sophie Denar är AI-genererade och granskade av Unite.AIs redaktionella team för att säkerställa noggrannhet, neutralitet och ansvarsfull täckning av AI-policy och regleringsutveckling över hela världen.