Partnered With:

Anthropic hissedar raporu, kurumsal pazarda en çok gelir getiren Çin modelini ortaya koydu

Bu makaleyi okumak için 35 Dakika

Fareyi yakalayabilen iyi kedidir.

Orijinal başlık: "Anthropic hissedarlarının son raporu, kurumsal pazarda en çok gelir getiren Çin modellerini ortaya çıkardı"
Orijinal yazar: Dongcha Beating

3 Kasım'da, Silikon Vadisi'nin köklü risk sermayesi şirketi Menlo Ventures, bu yılki "Kurumsal Yapay Zeka Durum Raporu"nu yayınladı.

Şirketlerin bu yıl gerçekte ne kadar harcadığını tespit etmek için Menlo, Morning Consult'e Eylül ayında yaklaşık 400 Amerikan şirketinin yapay zeka karar vericileriyle görüşme yaptırdı; bu kişilerin yönettiği yapay zeka harcamaları 4 milyar doları aşıyor. Menlo'nun hesaplamalarına göre, bu yılın Eylül ayı itibarıyla Amerikan şirketlerinin yapay zeka dağıtımına harcadığı para 176,8 milyar dolara ulaştı; bu, bir yıl önceki 33 milyar doların 5,4 katı.

Eylül 2026'da Çin modelleri, Amerikan şirketlerinin açık kaynak model harcamalarının %89'unu oluşturuyor

Bunların içinde Kimi %61'lik payla ilk sırada

Görsel kaynağı: Menlo Ventures

Silikon Vadisi için yazılmış bu raporda bir dizi rakam var. Amerikan şirketlerinin açık kaynak modellere yaptığı üretim harcamalarında Çin modelleri yaklaşık %90'ı oluşturuyor. Bunların içinde Kimi tek başına %61, ardından DeepSeek %15, GLM %11, Qwen %3. Batılı açık kaynak modeller arasında ilk sırada yer alan Meta Llama ise yalnızca %7.

Raporu yazan Menlo Ventures, Anthropic'in önemli bir hissedarı ve 2024'te şirketin 750 milyon dolarlık D turuna öncülük etti.

Bunun dışında, Kimi'yi sunucularda barındırıp Amerikan şirketlerine satan ve bu yıl yıllıklandırılmış geliri yeni 1 milyar doları aşan bir numaralı çıkarım bulutu Fireworks AI, Menlo'nun yatırımı; haftada 160 trilyon token işleyen model yönlendirme platformu OpenRouter, Menlo'nun yatırımı; raporda özellikle adı geçen ve Kimi K2.5 üzerinde Composer 2'yi eğiten Cursor da Menlo'nun yatırımı.

Yalnızca rapor verilerine bakarsanız, kapalı kaynak devleri ile açık kaynak kampının çoktan kıyasıya bir mücadeleye girişmiş olması ve Pasifik'in iki yakasındaki modellerin de net biçimde ayrışması gerektiğini düşünürsünüz; ancak yetişkinler çıkar-fayda hesabı yapar, çocuklar ise kamp seçer.

Bu veriler ve çıkar ilişkileri bir yana, Beating'in daha çok anlamak istediği şey, neden özellikle Kimi'nin, ABD'li şirketlerin kapalı kaynak amiral gemileri dışında en çok para harcamaya razı olduğu seçenek haline geldiği?

Yeniden yapmanın bedeli

Kimi'nin bu "%61"ini anlamak için, önce bu yıl ABD'li şirketlerin yapay zekâya para harcama konusundaki tuhaflığını kavramak gerekiyor: model ne kadar ucuzsa, o kadar az kullanılıyor.

Son iki yılda sektörde en yaygın kanaat, çıkarım maliyetinin her yıl yüzde doksan düşeceği ve şirketlerin er ya da geç iş akışlarını ucuz küçük modellere kaydıracağıydı. Laboratuvarlar da küçük modelleri giderek daha ucuza satıyordu.

Sonuç tam tersi oldu.

2025'in üçüncü çeyreğinden 2026'nın üçüncü çeyreğine kadar Haiku, Luna gibi küçük kapalı kaynak modellerin kurumsal pazardaki token payı %29'dan %13'e düştü; yarıdan fazla azaldı. Birim fiyatı en yüksek öncü amiral gemilerinin token payı %18'den %42'ye, harcama payı ise %35'ten %63'e yükseldi.

Öncü modellerin kurumsal yapay zekâ harcamaları ve token kullanımındaki payı eşzamanlı olarak artıyor

Kaynak: Menlo Ventures

Bir yıl önce ABD'li şirketlerin en yaygın ana tercihi hâlâ girişte 3 dolar, çıkışta 15 dolar (milyon token başına, aşağıda aynı) olan Claude Sonnet 4.5 ile 1,25 dolar ve 10 dolarlık GPT-5'ti. Bu sonbaharda ise herkes sırayla daha pahalı amiral gemisi modellere geçti.

Akıllı ABD'li şirketler neden birdenbire ucuzun peşini bıraktı?

Sebep basit: modelle iş yapan, insandan Agent'a dönüştü.

Bu yılın şubat ayında OpenRouter'da Agent'lar tarafından başlatılan trafik insanları resmen geçti; eylül sonuna gelindiğinde platformdaki token'ların %80'i Agent'ların arka planda kendi kendine çalıştırdığı token'lardı ve yarım yıldan biraz fazla sürede 37 kat arttı. 77,3 milyar dolarlık kurumsal yapay zekâ uygulama harcamasının %76'sı programlama ve kurumsal Agent'larda yoğunlaşıyor.

Agent'ın iş yapması ile insanın yapay zekâyı kullanması aynı mantık değil.

Bir programlama Agent'ı görevi aldığında, genellikle kod tabanı, terminal ve sandbox arasında kırk elli tur üst üste koşmak zorunda: dosya okumak, araç çağırmak, test çalıştırmak, hataları görmek, sonra kodu yeniden değiştirmek.

Uzun zincirli görevlerde hataların maliyeti çarpımsal olarak birikir. Tek adımda %99 doğruluk oranına sahip bir model art arda 50 adım çalıştığında, işi sorunsuz teslim etme olasılığı yaklaşık altıda birdir; tek adımda %95 doğruluk oranına sahip bir modelde ise 50 adımı kazasız tamamlama olasılığı %8'in altındadır.

Böylece işletmeler kısa sürede anladı: artık model satın alırken sadece fiyat listesindeki birim fiyata değil, işi tek seferde halled menin toplam maliyetine de bakmak gerekiyor.

Bunu kavrayınca, açık kaynak modellerin bu yılki durumunu anlamak da kolaylaşıyor.

Geçtiğimiz yıl açık kaynak modellerin token payı %11'den %19'a yükseldi, çağrı hacmi bir yıl öncesinin 22,5 katına çıktı; ancak aldıkları harcama payı %6'dan %4'e düştü. Bunun nedeni, açık kaynak modellerin çoğunun fiyat savaşına girmesi; ortalama birim fiyat önceki seviyenin üçte birinin altına, milyon token başına yalnızca 0,13 dolara geriledi ve kapalı kaynak modellerin genel ortalama fiyatının beşte birinin altında kaldı.

Açık kaynak modeller işin neredeyse beşte birini yaptı, ancak masadan paranın yalnızca yirmi beşte birini aldı.

Kimi'nin %61'i, tam da 0,13 dolarlık tuzağa atlamadığı için gerçekleşti.

Standart parça

Bu yıl 16 Temmuz'da Moonshot, 2,8 trilyon parametreli Kimi K3'ü yayınladı; resmi API fiyatlandırması girişte 3 dolar, çıkışta 15 dolar olup bir yıl önceki kapalı kaynak amiral gemisi Sonnet 4.5 ile aynı seviyede ve önceki nesil K2.6'nın üç katından fazlaydı. 23 Ekim'de tanıtılan K3.1 Pro ise 2 dolar ve 10 dolara geriledi, ancak hâlâ amiral gemisi segmentinde yer alıyor.

Ortalama fiyatı 0,13 dolar olan bir açık kaynak pazarında amiral gemisi fiyatlandırması uygulamanın özgüveni, her şeyden önce modelin uzun bağlam, yerel çok modluluk ve programlama alanlarındaki başarılarından geliyor.

Ancak yalnızca kıyaslama puanları yeterli değil.

Açık kaynak modellerin ağırlıkları kamuya açıktır; çıkarım bulutunun açılır menüsünde bir modeli değiştirmek için yalnızca bir satır yapılandırmayı değiştirmek yeterlidir. Amerikalı işletmelerin satın alma birimleri neden bunun için fazladan para ödesin?

Burada, açık kaynak modellerin laboratuvardan çıktıktan sonraki en baş ağrıtıcı mühendislik sorunu yatıyor.

Veri uyumu ve gecikme nedeniyle çoğu Amerikalı işletme kod ve belgeleri doğrudan yurt dışı sunuculara göndermez; bunun yerine Fireworks, Together veya Amazon Bedrock gibi yerel bulutların barındırma hizmetlerini satın alır. Ancak geçtiğimiz yıl boyunca Silikon Vadisi'ndeki mühendislik ekipleri sık sık şunu fark etti: bir açık kaynak model resmi demoda son derece zeki görünüyor, ancak kendi üretim ortamlarına bağlanıp üçüncü taraf çıkarım bulutu arayüzü üzerinden çağrıldığında, onlarca ardışık araç çağrısından sonra nedense aptallaşıyor.

Bunun nedeni, çıkarım bulutunun grafik kartı devir hızına son derece önem veren bir iş olmasıdır. Bir kartın aynı saniyede kaç istek alabileceği, bulut sağlayıcısının o çeyrekteki brüt kâr marjını doğrudan belirler. Bellekten tasarruf etmek ve verim hızını artırmak için farklı platformlar, arka planda trilyon parametreli MoE modellerinde farklı niceleme sıkıştırmaları uygular veya araç çağrısı ayrıştırma şablonlarını basitleştirir.

Günlük sohbetlerde bu küçük hassasiyet kaybı fark edilmez; ancak onlarca adımın birbirine bağlı olduğu bir Agent döngüsüne girdiğinde, sapma modelin yanlış uzmanı seçmesine, formatı bozmasına ve tüm iş akışını çökertmesine yetecek düzeye ulaşır.

Müşteri modelin itibarına güvenerek satın alır, ardından görev başarısız olur ve suçu sonunda asıl üretici üstlenmek zorunda kalır.

Kimi oldukça akıllı davrandı; hangi bulut sağlayıcısıyla tartışmak için açıklama yayınlamak yerine doğrudan açık kaynak bir sağlayıcı hassasiyet doğrulama aracı yayınladı ve sürekli olarak geliştirdi.

Daha K2 döneminde K2 Vendor Verifier'ı açık kaynak olarak yayınladı ve aynı test setiyle çeşitli çıkarım bulutlarının ve resmi API'nin araç çağrısı performansını karşılaştırdı. Bu yılın Nisan ayında K2.6 sürümü yayınlandığında bu araç KVV (Kimi Vendor Verifier) olarak güncellendi; test kalemleri arasında uzun bağlam altında araç çağrısı regresyon örnekleri, JSON schema doğrulaması, bozuk çağrıların reddedilmesi, milyon token düzeyinde uzun bellek testleri ve 113 programlama Agent görevi yer alıyor. Çeşitli çıkarım bulutlarının elde ettiği sonuçlar GitHub'da tablo halinde yayınlanıyor.

Kimi Vendor Verifier, farklı sağlayıcıların

K3.1 Pro dağıtım performansını kamuya açık şekilde karşılaştırıyor

Görsel kaynağı: Moonshot AI / GitHub

Hangi bulut sağlayıcısının makineden tasarruf etmek için gizlice hassasiyeti düşürdüğünü geliştiriciler panoda bir bakışta görebilir.

KVV puanlarını Kimi resmi API seviyesine hizalamak için Silikon Vadisi'ndeki çıkarım bulut sağlayıcıları tersine dönüp Kimi mühendisleriyle birlikte hata ayıklamak zorunda kaldı.

Fireworks AI'nin mühendislik ekibi daha sonra özel bir yazı yayınlayarak Kimi ekibiyle birlikte alt düzey kod çözme koruma bariyerlerini nasıl onardıklarını, çok turlu diyaloglardaki gereksiz alanları nasıl temizlediklerini ve sonunda barındırılan arayüzün araç çağrısı performansını nasıl asıl üretici seviyesine taşıdıklarını anlattı.

Çoğu ekip açık kaynak yaparken ağırlıkları internete koyar ve gerisini oluruna bırakır. Moonshot AI ise katı kalite kontrolünü açık kaynak dünyasına taşıdı; senden giriş bileti almıyorum ama yemeği masaya nasıl koyacağını ben yönetirim.

Bu, kurumsal satın almanın en hassas sinirine dokundu. Silikon Vadisi'ndeki teknik liderler için KVV, çeşitli veri merkezlerine dağılmış standart dışı ürünleri yeniden orijinal üretici onaylı standart parçalara dönüştürdü.

Dörtte üç

Yalnızca barındırma kalitesi olsaydı, Kimi en fazla kullanışlı bir dış destek olurdu. Raporda adı geçen bir diğer isim, onun yurt dışındaki ikinci katman değerini ortaya çıkardı: Cursor.

Cursor ile yatırımcı Accel arasındaki yerinde iletişim etkinliği

Görsel kaynağı: Accel

Menlo, bu yıl sonradan eğitim yapan AI geliştiricilerinin oranının %6'dan %10'a çıktığını yazdı. En tipik örnek, Cursor'un Kimi K2.5 üzerinde Composer 2'yi eğitmesi ve pekiştirmeli öğrenme aşamasının çıkarımını Fireworks'ün sağlaması.

Menlo'nun verileri bağımsız uygulama şirketlerinin durumunu net biçimde ortaya koyuyor: Bu yılki 176,8 milyar dolarlık kurumsal AI harcamasının 122,7 milyar dolarını Anthropic, OpenAI ve Google olmak üzere üç laboratuvar aldı; bu %69'a denk geliyor ve bir yıl önce oran %50'ydi. Bunun içinde laboratuvarların kendi uygulamaları 40 milyar doları götürdü.

Yalnızca 34 milyar dolarlık programlama pazarına bakıldığında, Claude Code ve Codex adlı iki ürün 24 milyar doları yuttu ve %70'ini oluşturdu.

Uygulama şirketleri ne kadar başarılı olursa, üst akışa bu pazarın yeterince büyük olduğunu o kadar iyi kanıtlar; pazar yeterince büyük olduğunu kanıtladığında ise model ve hesaplama gücünü elinde tutan üst akışın bizzat sahaya inmesi için o kadar çok nedeni olur. Yalnızca aracı olmaya devam eden, er ya da geç üst akış tarafından ezilir.

Bu yılın ocak ayı başında Cursor içinde "War Time" olarak adlandırılan bir toplantı yapıldı; kurucu Michael Truell tüm ekibin kendi modelini geliştirmeyi hızlandırmasını istedi.

Ancak uygulama şirketlerinin yukarı çıkması o kadar kolay değil. Cursor'un elinde milyonlarca programcının her gün kod yazdığı, dosya değiştirdiği ve terminal çalıştırdığı gerçek etkileşim izleri var; bu, pekiştirmeli öğrenme için en iyi yakıt. Ama elinde yalnızca on binlerce GPU var, milyonlarca kart yok ve sıfırdan yarım yıl harcayıp trilyon parametreli bir ön eğitim temeli eğitmeye de zamanı yok.

Bunun yanı sıra, Cursor'ın iç toplantısından birkaç gün sonra Anthropic kuralları sıkılaştırdı ve üçüncü taraf programlama araçlarının kişisel abonelik hesaplarıyla oturum açıp çağrı yapmasına artık izin vermedi.

Tek çıkış yolu, açık kaynak dünyasından iyi bir gövde ödünç alıp iyi çeliğin tamamını ikinci yarıdaki pekiştirmeli öğrenmede kullanmaktı.

19 Mart'ta Cursor, Composer 2'yi yayınladı; giriş fiyatı 0,5 dolar, çıkış fiyatı 2,5 dolar, tam olarak o dönemki Claude Opus 4.6'nın onda biri. Cursor'dan Lee Robinson daha sonra, nihai modelin tükettiği hesaplama gücünün yalnızca yaklaşık dörtte birinin temel modelden geldiğini, geri kalanının Cursor'ın kendi eğitimine harcandığını söyledi.

Bu, uygulama şirketlerinin açık kaynak model seçme kriterlerini değiştirdi.

Eskiden herkes açık kaynak model seçerken, eve alıp doğrudan giyilecek hazır bir giysi seçer gibi davranıyordu; kim halka açık sıralamalarda iki puan fazla alırsa o seçiliyordu. Ancak Cursor'ın ardından yayımladığı 46 sayfalık teknik rapor ekinde araştırma ekibi, aday temel modelleri değerlendirirken programlama Agent türü skorlara bilinçli olarak bakmadıklarını yazdı; gerekçe, bu tür sıralamaların nihai sonucu öngörme gücünün daha zayıf olmasıydı, çünkü Agent ve uzun vadeli görev yetenekleri pekiştirmeli öğrenme aşamasında büyük ölçüde değişiyordu.

Birçok model, sıralama yayımlandığı gün iyi görünmek için fabrikadan çıkmadan önce belirli soru bankalarına yönelik ince ayarlarla doldurulmuştu; ağırlık uzayı suya doymuş bir sünger gibi sıkıştırılmıştı. Dışarıdan bakınca skorlar yüksek görünüyordu, ama satın alıp içine üç kat daha fazla pekiştirmeli öğrenme hesaplama gücü eklemek istediğinizde model kısa sürede yetenek çöküşü yaşıyordu.

Cursor, aday modelleri doğrudan kendi şantiyesinde denemeye aldı.

Yalnızca üç şeyi test ettiler: alttaki kodlama bilgi birikimi, bir dosya art arda onlarca kez değiştirildikten sonraki durum takip yeteneği ve modelin Cursor'ın özel büyük kod tabanındaki perplexity değeri.

Testlerden sonra Kimi K2.5 kaldı. Raporun gerekçesi, genel performansının güçlü olması ve Cursor'ın kendi altyapısında yeterince verimli çalışmasıydı. Sürekli ön eğitim ve pekiştirmeli öğrenmenin ardından Composer 2, Cursor'ın kendi değerlendirme seti CursorBench'te temel modelin 36,0 puanından 61,3'e yükseldi ve Claude Opus 4.6'nın 58,2'sini geçti.

Mayıs ayında Cursor, aynı K2.5 temel modeli üzerinde Composer 2.5'i piyasaya sürdü.

İlkbahardan yaza uzanan bu atılım, Silikon Vadisi'ne bir örnek bıraktı: en üst düzey uygulama şirketleri için açık ağırlıklı modeller artık para tasarrufu sağlayan bir alternatif değil, alınıp üzerine kendi varlıklarını eğitmek için para harcanabilecek az sayıdaki başlangıç noktasından biri.

Çay Parası

Cursor, K2.5 üzerine eğitilmiş Composer 2'yi kendi kullanıcılarına sunuyor; Amerikan şirketleri üretim ortamında Kimi'yi çağırıyor ve bu trafiği karşılayanlar ağırlıklı olarak Fireworks, Together gibi Amerikan çıkarım bulutları.

Kimi, Fireworks ve Cursor'ı yan yana koyduğunuzda, oldukça ölçülü bir iş bölümü görülüyor.

Ticari yeteneklerini kanıtlamaya acele eden başka bir şirket olsaydı, modelinin Silikon Vadisi'nde rağbet gördüğünü görünce ilk tepkisi genellikle San Francisco'da ofis kiralamak, yüksek maaşla bir grup kurumsal satış temsilcisi işe almak, doğrudan Amerikan büyük müşterilerinin kapısını çalmak ve aradaki farkı tamamen kendi cebine indirmek olurdu.

Moonshot AI bunu yapmadı.

Temmuz 2025'te Menlo, yıl ortası raporunda da yazdı: Amerikan şirketlerinin doğrudan Çinli şirketlerin API'lerini çağırmaya isteksiz olması, açık kaynak model payının duraklamasının nedenlerinden biri. Uyumluluk ve güven eşiği, satış temsilcilerinin Kaliforniya'ya uçup dil dökmesiyle aşılamaz.

O duvara kafa atmak yerine, öndeki eti Amerikalı yerel ortaklara bırakmak daha iyi. Kimi'nin mühendislik ekibi, modelin devreye alınmasından önce ve sonra Fireworks gibi platformlarla çıkarım motorunu uyumlu hale getirdi; Amerikan şirketleri sözleşmeyi Amerikan bulut sağlayıcılarıyla imzalıyor, veriler Amerika'daki veri merkezlerinde kalıyor.

Microsoft'un ABD'nin Washington eyaleti Quincy'deki veri merkezindeki sunucu kabinleri

Görsel kaynağı: John Brecher / Microsoft

Tam da Moonshot AI işe el atmadığı için Fireworks Kimi'yi hevesle tanıtıyor ve Cursor'ın mühendisleri ana ürünlerini K2.5'in ağırlıkları üzerine kurmaya cesaret edebiliyor. Herkesin kazançlı çıktığı bir durumda bu iş ancak tutunabilir.

Moonshot AI'nın kendi gelir meselesine gelince, kuralları K3.1 Pro'nun lisansına yazdı.

Şirket içi dağıtım, araştırma veya kendi ürününüz için ince ayar yapmak için izin almanıza gerek yok. Oturup konuşulması gereken yalnızca iki durum var: birincisi, modeli barındırma hizmeti olarak kullanıp dışarıya çıkarım veya ince ayar hizmeti sunmak ve art arda 12 ayda 20 milyon doları aşan gelir elde etmek — bu durumda önce Moonshot AI ile ayrı bir sözleşme imzalanmalı; ikincisi, son kullanıcı ürününün aylık aktif kullanıcı sayısı 100 milyonu aşması veya aylık gelirinin 20 milyon doları geçmesi — bu durumda arayüzde model adı açıkça belirtilmeli. Moonshot AI'nın resmi ürünleri veya onaylı çıkarım ortakları aracılığıyla kullanılanlar bu iki koşula tabi değil.

Ağustos ayında Reuters, Moonshot'un Microsoft, Amazon ve Google ile K3 ile ilgili hizmetler için gelir paylaşımı görüşmeleri yürüttüğünü ve en fazla %30 talep ettiğini bildirdi.

Bir aydan kısa bir süre sonra, ABD saatiyle 18 Eylül'de Amazon, K3'ü Bedrock'a ekledi. Küresel standart katmanın fiyatı Moonshot'un resmi fiyatıyla aynı: 3 dolar ve 15 dolar; gelir paylaşımı oranı açıklanmadı.

Microsoft'un yolu biraz daha dolambaçlı. K3, Temmuz sonunda Microsoft Foundry'ye girmişti, ancak o zaman arka planda çıkarımı Fireworks çalıştırıyordu ve Foundry yalnızca erişimden sorumluydu. ABD saatiyle 5 Kasım'da Microsoft kendi blogunda K3.1 Pro'nun resmen Foundry'ye eklendiğini duyurdu.

Eski kuşak iş insanlarının deyimiyle buna "küçük yoldan serbestçe geç, büyük yolda çay parası öde" denir. Yüz girişimden doksan dokuzu hâlâ deneme yanılma aşamasındayken Kimi tek kuruş almıyor; biri gerçekten yılda on milyonlarca dolarlık büyük bir işe dönüştüğünde, o zaman kurallara göre oturup konuşuluyor.

Hangi paranın şu anda kendisine ait olmadığını net görmek, bazen nasıl para kazanılacağını bilmekten daha çok irade gerektirir.

Kara kedi, beyaz kedi

Bakışı bu %61'lik kesitten biraz uzaklaştırdığımızda, bu sonbahardaki veri grubunu anlamlı kılan şey, büyük model endüstrisinin üç yıllık bir olgunlaşma sürecinden sonra doğal olarak büyüttüğü yeni bir ilişkiyi ortaya koymasıdır.

İki yıl önce Silikon Vadisi'nde endüstrinin nihai durumu üzerine tartışma siyah-beyazdı: Bir taraf kapalı kaynak amiral gemilerinin her şeyi yutacağını ve uygulama şirketlerinin er ya da geç ince bir arayüz katmanına dönüşeceğini savunuyordu; diğer taraf ise açık kaynağın zekâyı ücretsiz musluk suyuna dönüştüreceğine ve tüm model şirketlerinin para kazanamayacağına inanıyordu.

2026'ya gelindiğinde, iki tablo da gerçeğe dönüşmedi.

Anthropic ve OpenAI hâlâ ABD'deki kurumsal büyük model API harcamalarının %86'sını alıyor. Wall Street yatırım bankaları sınır ötesi bir birleşme sözleşmesini incelerken, ilaç şirketleri sıfır hata toleranslı bir literatür taraması yaparken hâlâ tereddüt etmeden en pahalı kapalı kaynak amiral gemisi için ödeme yapıyor. Açık kaynağa akan bütçe de ucuz hesaplama gücü yarışına dönüşmedi; aksine Kimi gibi ön safa yakın modellerde toplandı.

Açık kaynak ile kapalı kaynak arasında artık ya o ya bu denilen bir siper hattı yok. Karmaşık görevlerin katalizörlüğünde, ikisi arasında geniş bir sınır bölgesi büyüdü.

Bu sınır bölgesinde, Kimi'yi yoğun şekilde kullanan birçok Silikon Vadisi şirketi aynı zamanda Anthropic ve OpenAI'nin büyük müşterileri. Ürünün erken aşamasında, formu oturtmak ve talebi doğrulamak için en güçlü kapalı kaynak modelleri kullanıyorlar; bir uzun zincirli iş akışı geçerli olduğunu kanıtlayıp çağrı hacmi üstel olarak büyümeye başladığında ya da Cursor gibi kendine özgü etkileşim verilerini biriktirip sektör deneyimini ağırlıklara eğitmek istediklerinde, ön safa en yakın ve derinlemesine değiştirmeye izin veren açık temele yöneliyorlar.

Geçmişte, model şirketleri ile uygulama şirketleri arasında biri API satıyor, diğeri API alıyordu; model şirketi bir kez kendi uygulamasını yapmaya başladığında, iki taraf anında sıfır toplamlı bir rekabetin rakibi haline geliyordu.

Oysa şimdi, uygulama şirketleri açık modellere hesaplama güçlerinin dörtte üçünü yatırıp eğitime devam ederek "yarım model şirketi" haline geldi; model geliştiricilerinin etkisi ise artık sadece kaç token sattıklarına bakılarak değil, aynı zamanda başkalarının kaç temel ürününün onun ağırlıklarından büyüdüğüne bakılarak ölçülüyor.

Kimi K3.1 Pro resmi lansman ana görseli

Görsel kaynağı: Moonshot AI

Menlo raporunun yayınlanmasından bir gün sonra, 4 Kasım'da Moonshot AI, Kimi K3.1 Pro'nun tam ağırlıklarını zamanında Hugging Face'te yayınladı. Moonshot AI'nin kendi açıkladığı sonuçlara göre, kodlama Agent'larının gerçek dünya yeteneklerini ölçen Terminal-Bench 4.0'da %65,7 elde etti; bu, GPT-6 Astra'nın %58,2'sinin üzerinde ve Claude Opus 5.5'in %66,4'ünden sadece 0,7 puan geride.

Ürün hatlarını açık kaynak temellere yatıran ABD'li ekipler için bu 0,7 puan ve K2, K2.5, K2.6'dan K3, K3.1 Pro'ya kadar birkaç ayda bir ileriye doğru atılan adımın ritmi, herhangi bir açık kaynak sloganından daha güven verici. Sonradan eğitilmiş özel modellerin her birkaç ayda bir ön safhalarla yeniden eğitilmesi gerekiyor. Bir temel seçmek, aynı zamanda o şirketin gelecek bir yıldaki iterasyon hızını seçmek anlamına geliyor.

San Francisco'da, sunum slaytlarının ilk sayfasına "temelimiz Çin'den geliyor" yazacak bir girişim şirketi pek yoktur; büyük modellerin menşei hâlâ hassas bir kelime.

Ancak her gün çalışan sunucu odalarına, mühendislerin ekran başında 50 turluk Agent döngüsünün tamamlanmasını beklediği gece yarılarına dönüldüğünde, tüm sloganlar yerini pragmatizme bırakıyor. Fareyi kim yakalarsa, iyi kedi odur.

Okyanusun öte yakasındaki uygulama şirketleri gerçekten zorluklara dayanabilecek bir ortak ihtiyaç duyduğunda, başlarını kaldırdıklarında onun çoktan orada durduğunu görüyorlar.