Регулювання
Anysphere розглядає можливість відмовитися від китайських моделей із відкритими вагами в Cursor

Ключові моментиЕкспериментальне поетапне припинення Anysphere свідчить про те, що геополітичний ризик…
Показати більше
- Експериментальне поетапне припинення Anysphere свідчить про те, що геополітичний ризик тепер визначає рішення щодо постачання платформ для програмування зі штучним інтелектом.
- Composer 2 було створено на базі Moonshot AI, яку публічно ідентифікував лише незалежний розробник.
- Видалення китайських моделей з відкритими вагами до появи надійних альтернатив може підвищити витрати та концентрувати ринок.
Anysphere, розробник платформи Cursor для програмування за допомогою ШІ, повідомила слідчим Палати представників, що планує розглянути можливість поступової відмови від китайських моделей ШІ з відкритими вагами через геополітичні ризики, йдеться у спільному звіті Конгресу, оприлюдненому 20 листопада 2026 року.
Це попередній план, а не завершена відмова від моделей; комітети не повідомили ні про остаточне рішення, ні про графік. Комітет Палати представників з питань внутрішньої безпеки та Спеціальний комітет Палати представників з питань Китаю оприлюднили результати розслідування, розпочатого у квітні 2026 року: спершу воно стосувалося Airbnb та Anysphere, а 31 липня 2026 року його розширили, включивши DoorDash.
Моделі з відкритими вагами мають навчені параметри, які можна завантажувати, запускати й змінювати незалежно від початкового розробника, завдяки чому похідні моделі можуть поширюватися без подальших комерційних відносин із ним. Комітети зазначили, що Composer 2, флагманську пропрієтарну модель Cursor, створили на основі моделі Moonshot AI, назву якої оприлюднили лише після того, як її визначив незалежний розробник.
У технічному звіті Cursor зазначено, що базовою моделлю була Kimi K2.5. Composer 2 додатково навчали на даних із великою часткою коду, а потім масштабно вдосконалювали за допомогою навчання з підкріпленням у реалістичних сеансах Cursor, використовуючи ті самі інструменти й середовище, що й у розгорнутій моделі.
Чому китайські моделі стали частиною систем
Airbnb повідомила, що налаштовані версії моделей Qwen від Alibaba забезпечують роботу ШІ-помічника, який щодня обробляє близько 80 000 звернень гостей і господарів. Крім того, компанія використовує донавчену модель, яка щодня підсумовує близько 250 000 звернень до служби підтримки та дзвінків. Обидві моделі працюють на інфраструктурі постачальників послуг, розташованій у США.
DoorDash повідомила, що схвалила й розгорнула 25 сімейств китайських моделей, використовуючи їх у суттєвому обсязі, який визначається витратами на обчислення й обслуговування в розмірі щонайменше 5 000 доларів. За оцінкою компанії, заміна однієї китайської моделі, вбудованої у більшу систему, може тривати до шести місяців, хоча більшість інших застосувань можна перевести на інші моделі майже відразу.
Комітети визначили чинниками впровадження вартість, можливість налаштування та продуктивність, близьку до рівня передових моделей, і дійшли висновку, що США не мають конкурентоспроможної альтернативи з відкритими вагами за ціною та рівнем продуктивності, яких потребує ринок.
У звіті порівнюються опубліковані ціни на API за один мільйон вхідних і один мільйон вихідних токенів (невеликих фрагментів слів і символів, якими вимірюють використання моделей):
| Модель | Розробник | Орієнтовна вартість |
|---|---|---|
| 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 |
У цих цифрах не враховано відмінності в можливостях моделей, кешуванні, знижках за пакетні запити, акційних пропозиціях або витратах на самостійне розміщення. Вони ілюструють ціновий тиск, що стимулює впровадження, а відкриті ваги також дають компаніям змогу донавчати моделі на власних даних і розгортати їх на інфраструктурі, яку вони контролюють.
Питання безпеки не залежить від місця розміщення. Запуск моделей на інфраструктурі у США зменшує прямий ризик розкриття даних, але, як зазначено у звіті, не змінює того, як було навчено базову модель і як вона може поводитися за умов, яких не охоплюють звичайні оцінювання.
Запропоновані обмеження та ризики заміни
12 рекомендацій у звіті самі собою не запроваджують обмежень. Вони розвивали б положення розпорядження Міністерства внутрішньої безпеки, яке забороняє закуповувати продукти й послуги DeepSeek для цивільних потреб федеральних органів влади та вимагає вилучити їх із систем відомств, зокрема сторонні продукти, створені на основі DeepSeek. Голови комітетів рекомендують поширити ці обмеження на інші розроблені в Китаї моделі та їхні похідні в усіх федеральних інформаційних системах і за федеральними контрактами, передбачивши вузькі винятки для досліджень, тестування та захисних заходів у сфері безпеки. Вони також рекомендують заборонити використання цих моделей і їхніх похідних у чітко визначених функціях критичної інфраструктури з високим рівнем ризику, а строки їх вилучення прив’язати до появи надійних альтернатив і передбачити тимчасові винятки там, де надійних замінників немає.
Щоб забезпечити виконання правил, стандарт походження моделей під керівництвом National Institute of Standards and Technology і машиночитаний перелік компонентів ШІ мали б документувати базові моделі, суттєве донавчання та джерела дистиляції. Вимога поширювалася б на федеральних підрядників і ШІ, що використовується у функціях критичної інфраструктури з високим рівнем ризику; в інших випадках її дотримання було б добровільним. Загальнонаціональна американська ініціатива з розроблення ШІ-моделей із відкритими вагами поєднала б державні обчислювальні ресурси, спільну інфраструктуру оцінювання, добровільне ліцензування результатів роботи американських передових моделей кваліфікованим розробникам моделей із відкритими вагами для навчання та гарантований попит з боку федеральних органів влади.
Комітети попереджають, що вилучення китайських моделей до появи надійних альтернатив із відкритими вагами може підвищити витрати й зосередити ринок у руках постачальників закритих пропрієтарних моделей. Тому попередній план Anysphere ілюструє ширшу проблему впровадження: обмеження потребують надійних записів про походження моделей, щоб виявляти вбудовані моделі, а також переконливих альтернатив, щоб не замінити китайські моделі з відкритими вагами вищими витратами чи залежністю від закритих моделей.












