Что случилось: Moonshot AI ставит цель $2 млрд
Moonshot AI, китайская лаборатория и разработчик модели Kimi K3, поставила цель выйти на $2 млрд годовой выручки к концу года. Источник цифры - Bloomberg. Ориентир вдвое выше показателя августа, и для открытого сегмента рынка это самая агрессивная заявка года.
Фундамент под целью - трафик. По данным OpenRouter, модели Kimi K3 генерируют до 300 млрд токенов в день. В последние месяцы использование немного снизилось, но абсолютный уровень остаётся высоким.
Сравнение с лидерами отрезвляет. Выручка OpenAI оценивается в $40 млрд, выручка Anthropic в $65 млрд. Обе компании распространяют модели закрыто, с высокой маржой и платным доступом на всех уровнях. Moonshot играет в другой игре: открытость снижает маржу, зато расширяет охват.
Дальше по порядку: что за модель дала такой рост, как открытая разработка вообще приносит деньги, что означает цифра в 300 млрд токенов в день и какие вопросы к методам обучения Moonshot остаются открытыми.
Kimi K3: что это за модель и почему она популярна
Kimi K3 вышла летом 2026 года и быстро вошла в число самых заметных моделей открытого сегмента. Разработчик заявляет около 2,8 трлн параметров и контекстное окно до 1 млн токенов. Публичная цена API держится на уровне $3 за миллион входных токенов и $15 за миллион выходных, что для модели такого размера выглядит агрессивно. Заявленные характеристики, цену API и реальную производительность мы уже разбирали отдельно, включая сравнение с Claude Fable 5 и GPT-5.6-Sol.
Популярность K3 строится на двух разных потоках трафика. Первый - API у самой Moonshot и у сторонних провайдеров. Второй - локальный запуск, где владелец железа не платит за токены вообще. Второй поток денег не приносит, но создаёт эффект присутствия: модель тестируют, обсуждают и сравнивают с проприетарными флагманами.
Открытые веса и их роль в популярности
Открытые веса означают, что файлы модели доступны для скачивания. Практические следствия для пользователя: модель можно развернуть на своём железе, дообучить под узкую задачу, встроить в закрытый контур без передачи данных наружу и не зависеть от изменений тарифов провайдера.
Экономика здесь простая. Закрытая лаборатория продаёт каждый токен и держит высокую маржу. Открытая зарабатывает на тех, кому лень или невыгодно разворачивать модель самостоятельно: на хостинге, поддержке, интеграции. Поток выручки меньше, зато в нишу попадают команды, которые никогда не согласились бы на закрытое решение.
С K3 есть важный нюанс, и он влияет на всю дальнейшую арифметику. Модель анонсировалась как открытая, но полноценного релиза весов не последовало. Без свободного скачивания компания теряет бесплатное распространение, зато сохраняет контроль над API и монетизацией. Причины и рабочие способы доступа к модели разобраны в отдельном материале.
Метрики OpenRouter: 300 млрд токенов в день
OpenRouter - агрегатор, через который разработчики получают доступ к десяткам моделей по единому API. Он же публикует статистику использования. 300 млрд токенов в день для семейства K3 означает, что через площадку ежедневно проходит объём, сопоставимый с нагрузкой крупного облачного сервиса.
Интерпретировать цифру нужно осторожно. Токены через OpenRouter не равны выручке Moonshot: часть запросов идёт через сторонних провайдеров, часть по бесплатным тарифам, часть в рамках тестов. Объём в последние месяцы немного снизился, и публичных данных о причинах нет. Объяснять это сменой релизного цикла или конкуренцией было бы гаданием.
Как открытая модель может приносить $2 млрд: бизнес-модель Moonshot AI
Источников выручки у открытой модели немного, и все они упираются в одно: клиент платит за удобство и гарантии, а не за сам файл модели. Разберём два основных канала и прикинем, бьётся ли цель в $2 млрд с текущими метриками.
API и облачные сервисы
Самый очевидный канал: платный доступ к модели по API. Клиент платит за токены, Moonshot тратит часть на GPU и инфраструктуру, разницу забирает себе. Маржа ниже, чем у закрытых конкурентов, потому что цену приходится держать ниже: альтернатива в виде локального запуска давит на прайс. При $3 и $15 за миллион токенов модель остаётся привлекательной там, где нужен длинный контекст и экономия на пересылке документов.
Дополнительный слой - приоритетные очереди, повышенные лимиты и SLA. Самостоятельное развёртывание таких гарантий не даёт, и за них платят отдельно.
Корпоративные внедрения и кастомизация
Здесь маржа выше. Компания покупает не токены, а результат: дообучение на своих данных, интеграцию с внутренними системами, приватное развёртывание в собственном контуре, поддержку и обучение команды. Клиент, вложившийся в кастомную сборку, редко уходит к другой модели через месяц.
Теперь грубая арифметика по цели. 300 млрд токенов в день дают около 9 трлн токенов в месяц. Если бы весь этот объём продавался по средней цене $6 за миллион токенов, годовая выручка составила бы порядка $650 млн. Цель в $2 млрд втрое выше, значит одними токенами через агрегатор она не закрывается. Нужны либо кратно большие объёмы прямых API-контрактов, либо существенная доля выручки из корпоративных сделок, где цена не привязана к токену. Данных о фактической структуре выручки Moonshot в открытом доступе нет, поэтому расчёт стоит читать как ориентир для понимания масштаба, а не как прогноз.
Сравнение с конкурентами: OpenAI, Anthropic и другие
| Компания | Модель | Оценка годовой выручки | Доступ к весам |
|---|---|---|---|
| Moonshot AI | Kimi K3 | цель $2 млрд к концу года | открытость заявлена, релиза весов не было |
| OpenAI | закрытые флагманы | около $40 млрд | закрытые |
| Anthropic | Claude Opus и линейка Claude | около $65 млрд | закрытые |
Разрыв объясняется моделью монетизации, а не качеством моделей. Закрытая лаборатория продаёт каждый токен и держит цены, опираясь на уникальность доступа. Moonshot конкурирует с бесплатным локальным запуском собственной модели, и это задаёт потолок цены. При этом $2 млрд для открытого сегмента много: это порядок, которого в открытом лагере до сих пор не достигал никто.
Второе отличие в структуре выручки. У OpenAI и Anthropic основную часть дают подписки и API для миллионов пользователей плюс корпоративные контракты. Moonshot при нынешних объёмах почти неизбежно придётся опираться на крупные сделки с компаниями, а не на массовый розничный трафик.
Обвинения Anthropic в дистилляции: что известно
Anthropic обвинила Moonshot в длительной кампании дистилляции. По версии Anthropic, почти 300 тыс. запросов направлялись к Claude Opus, а всего было собрано более 23 млн ответов, которые затем использовались для обучения. Отдельно Anthropic выпустила второй отчёт, где утверждает, что китайские лаборатории ведут «незаконные дистилляционные атаки»: скрывают личность, используют мошенничество и украденные учётные данные. Генеральный директор Anthropic Дарио Амодеи публично призывал американских регуляторов принять меры против дистилляции.
Слово «обвинила» здесь ключевое. Судебных решений нет, официальных ответов Moonshot в публичном доступе не приводится, поэтому речь идёт о позиции одной стороны.
Что такое дистилляция и почему это спорно
Дистилляция - метод, при котором разработчик модели массово запрашивает другую модель, чтобы понять, как она рассуждает, и использует полученные ответы для обучения своей. Приём распространённый и сам по себе законный: так обучают компактные модели на выходах крупных.
Спор начинается там, где заканчиваются правила провайдера. Условия использования API почти всегда запрещают применять выходные данные для обучения конкурирующих моделей. Второй слой проблемы - способ получения доступа: обвинения касаются не только факта дистилляции, но и обхода ограничений через чужие учётные данные. Технический и юридический разбор, включая аргументы против запрета дистилляции и реакцию индустрии на эту дискуссию, собран в материале про открытые веса, геополитику и запрет дистилляции.
Позиции сторон: Anthropic против Moonshot и мнение Гэрри Тана
Позиция Anthropic и Дарио Амодеи: дистилляцию нужно ограничивать регуляторно, потому что она позволяет конкурентам копировать результат чужих затрат на обучение.
Противоположная точка зрения у генерального директора Y Combinator Гэрри Тана. В интервью CNBC он заявил, что не стал бы ничего предпринимать в ответ на использование дистилляции китайскими лабораториями, и предложил американским открытым лабораториям играть по тем же правилам. Его аргумент: проприетарные лаборатории сами не спрашивали разрешения, когда собирали человеческие знания для обучения своих моделей, и в том числе использовали защищённый авторским правом материал.
«The nightmare scenario, the doomer scenario for AI is that there's just one company».
Перевод: худший сценарий для AI - когда вся мощь передовых моделей оказывается в руках одной проприетарной компании. По словам Тана, контроль над тем, что пользователи делают с API-вызовами к закрытым моделям, слишком ограничивает, а доступ к интеллекту, обученному на общедоступных данных, должен быть ближе к общественному благу. При этом он не предлагает закрывать фронтирные лаборатории: они двигают отрасль вперёд и должны оставаться финансово устойчивыми.
Что это значит для рынка открытых моделей
Кейс Moonshot показывает, что монетизация открытой модели возможна, но экономика у неё другая. Ставка делается на объём и корпоративные контракты вместо высокой цены за токен. Ограничителей три. Локальный запуск задаёт потолок цены. Регуляторный риск вокруг дистилляции бьёт не только по юридической стороне, но и по репутации у корпоративных заказчиков, для которых комплаенс важнее цены токена. Инфраструктурные затраты растут вместе с размером модели и длиной контекста.
Рынок открытых моделей при этом растёт, и тема вышла далеко за пределы исследовательских кругов: релиз K3 спровоцировал падение Nasdaq и спор о «полном ИИ-коммунизме». Реакцию рынка и аргументы сторон в этой дискуссии мы разбирали отдельно. Прогнозы тут давать рано: слишком многое зависит от решений регуляторов и от того, сохранит ли Moonshot доступ к вычислительным ресурсам.
Практический вывод: стоит ли использовать Kimi K3
Для генерации кода, работы с длинными документами и анализа текста K3 стоит протестировать: модель обошла Claude Opus 4.8 в рейтинге ArtificalAnalysis на задачах генерации кода и анализа текста. Дальше всё зависит от сценария.
- Нужно быстро и без железа: берите API у Moonshot или у агрегатора. Цена предсказуема, данные уходят наружу.
- Нужен закрытый контур: смотрите в сторону локального запуска. Требования к ресурсам высокие, 2,8 трлн параметров на домашнюю видеокарту не поместятся, понадобится кластер или квантованные сборки с потерей качества.
- Нужна кастомизация: планируйте дообучение под свою задачу, но сначала проверьте, есть ли у вас доступ к весам. Именно здесь у K3 больше всего неясности.
Три ограничения, которые стоит учесть до старта: статус весов, обвинения в дистилляции (для части корпоративных заказчиков это вопрос комплаенса, а не морали) и стоимость длинного контекста при больших объёмах. Если нужна гарантированная лицензия и предсказуемая поддержка, сравните K3 с открытыми альтернативами, веса которых опубликованы, и только потом фиксируйте модель в продакшене.