Moonshot AI нацелилась на $2 млрд годовой выручки благодаря K3

Китайская лаборатория Moonshot AI, разработчик Kimi, рассчитывает довести годовой темп выручки до $2 млрд к концу года. Bloomberg сообщает, что это вдвое больше показателя, который компания демонстрировала в августе. Цель связана с коммерческим эффектом от модели K3, выпущенной летом.

Ставка на open-weight модель

Moonshot AI относится к наиболее заметным китайским разработчикам ИИ-моделей. Веса K3 доступны свободно, и компания пытается превратить популярность такой модели в продажи. Хотя показатели использования K3 в последние месяцы немного снизились, через платформу OpenRouter модели K3 сейчас генерируют до 300 млрд токенов в день.

Заявленная цель заметно меньше масштабов крупнейших американских разработчиков. В недавних сообщениях годовая выручка OpenAI оценивалась в $40 млрд, а Anthropic — в $65 млрд. При этом открытые веса означают для Moonshot более низкую маржу по сравнению с компаниями, которые предлагают закрытые модели.

Контекст роста компании дополняет привлечение Moonshot AI $2 млрд при оценке $20 млрд и спрос на open-weight LLM в Китае. Текущие планы Moonshot показывают, что свободно доступные веса не исключают коммерческой модели, даже если её экономика отличается от экономики закрытых frontier-моделей.

Обвинения Anthropic

Одновременно вокруг практик разработки Moonshot сохраняется спор. Ранее на этой неделе Anthropic обвинила компанию в длительной кампании по дистилляции моделей. По утверждению Anthropic, почти 300 тыс. запросов из Kimi направлялись напрямую к Claude Opus, который фактически отвечал вместо собственных моделей Kimi.

Anthropic также заявила, что для обучения Moonshot было собрано более 23 млн ответов её моделей. В публикации не приводится позиция Moonshot по этим обвинениям. Они остаются отдельным вопросом наряду с показателями использования и выручки K3.

Что учитывать заказчикам

Для бизнеса история Moonshot — повод разделять коммерческие метрики модели и вопросы её происхождения. При выборе open-weight поставщика стоит сопоставлять доступность весов, модель поддержки и условия использования с юридическими рисками, которые могут возникать вокруг обучающих данных и методов разработки.