Chińskie modele AI przejmują generowanie obrazu i wideo: co Kimi K3, GLM-5.3, Seedance 2.5 i Wan3.0 znaczą dla branży kreatywnej

Ilustracja wygenerowana przez AI (model Nano Banana Pro na platformie FOTOhub.app). Oznaczenie zgodnie z art. 50 AI Act.

Przez ostatnie dwa lata narracja o chińskiej sztucznej inteligencji koncentrowała się przede wszystkim na modelach językowych, DeepSeek, Qwen, GLM w kontekście czatu, kodowania i rozumowania. Sierpień 2026 roku pokazał jednak zupełnie inny, znacznie mniej opisany w polskich mediach wątek: chińskie laboratoria AI przestały traktować generowanie obrazu, wideo i treści multimodalnych jako drugorzędny dodatek do swojego portfolio i zaczęły agresywnie konkurować w tej kategorii z zachodnimi liderami, takimi jak OpenAI Sora, Google Veo czy Runway. W ciągu jednego miesiąca na rynek trafiły cztery modele, które w mojej ocenie, jako foundera platformy FOTOhub integrującej ponad 200 modeli AI, wyznaczają realny punkt zwrotny w tym, kto dyktuje tempo innowacji w mediach generowanych sztuczną inteligencją: Kimi K3 od Moonshot AI, GLM-5.3 od Z.ai, Seedance 2.5 od ByteDance oraz Wan3.0 od Alibaby. Ten artykuł rozkłada każdy z tych modeli na czynniki pierwsze, porównuje ich realne, zweryfikowane parametry techniczne i wyjaśnia, dlaczego to przesunięcie ma fundamentalne znaczenie dla całej branży treści kreatywnych, marketingu, produkcji filmowej i reklamowej.

Kimi K3: największy otwarty model na świecie wchodzi do gry multimodalnej

Moonshot AI opublikowało Kimi K3 26 lipca 2026 roku, opisując go jako "Open Frontier Intelligence", model o 2,8 biliona parametrów łącznych, budowany w architekturze mixture-of-experts, z zaledwie 104 miliardami parametrów aktywowanych na pojedyncze zapytanie. To sprawia, że Kimi K3 jest obecnie największym otwartym modelem na świecie pod względem liczby parametrów, korzystającym z nowej architektury uwagi nazwanej Kimi Delta Attention (KDA) w połączeniu z mechanizmem Attention Residuals, umożliwiającym modelowi obsługę okna kontekstu o długości do miliona tokenów. Model dysponuje natywnymi zdolnościami widzenia komputerowego dzięki koderowi wizyjnemu MoonViT-V2, co czyni go modelem natywnie multimodalnym, a nie modelem tekstowym z dołączonym modułem obrazowym. Architektura obejmuje 93 warstwy, 896 ekspertów z szesnastoma aktywowanymi na token oraz kwantyzację MXFP4 dla wag i MXFP8 dla aktywacji, co ma bezpośrednie znaczenie praktyczne dla firm planujących samodzielne hostowanie modelu, ponieważ ta kwantyzacja radykalnie zmniejsza wymagania pamięciowe względem pełnej precyzji.

Kluczowe znaczenie dla branży kreatywnej ma jednak fakt, że Kimi K3 jest jednocześnie modelem agentowym, zaprojektowanym do wieloetapowego, autonomicznego wykonywania zadań, a nie tylko do generowania pojedynczej odpowiedzi. W kontekście porównawczym z GLM-5.3, Kimi K3 osiąga wynik 17,4 procent na Terminal-Bench 3.0, benchmarku testującym autonomiczne wykorzystanie powłoki systemowej i narzędzi w rzeczywistych środowiskach Linux, oraz 67,5 procent na DeepSWE v1.1, benchmarku testującym zdolność do end-to-end naprawiania rzeczywistych zgłoszeń błędów na GitHubie, co stawia go przed GLM-5.3 w tej konkretnej kategorii. Na Terminal-Bench 2.1 Kimi K3 uzyskuje wynik 88,3, praktycznie na równi z zamkniętym GPT-5.6 Sol (88,8) i wyraźnie przed GLM-5.3 (88,2). To umieszcza Kimi K3 w bardzo wąskiej grupie modeli otwartych zdolnych rywalizować bezpośrednio z flagowymi modelami zamkniętymi w zadaniach agentowych o wysokiej złożoności.

GLM-5.3: chirurgiczna precyzja post-treningu, nie nowa architektura

Z.ai, międzynarodowa marka chińskiej firmy Zhipu AI notowanej na giełdzie w Hongkongu pod symbolem 02513, wypuściło GLM-5.3 14 sierpnia 2026 roku, pod sloganem "Built to Code. Ready for Cyber Defense". Najbardziej intrygującym faktem technicznym dotyczącym tego wydania jest to, że GLM-5.3 wykorzystuje dokładnie tę samą, bazową architekturę co jego poprzednik GLM-5.2, model o 743-753 miliardach parametrów łącznych w architekturze mixture-of-experts z około 40 miliardami parametrów aktywowanych, bez żadnego nowego przebiegu pretreningu. Cały skok wydajności pochodzi wyłącznie ze skalowanego post-treningu, czyli dodatkowego etapu dostrajania modelu po zakończeniu głównego treningu, co Z.ai szacuje na około 50-procentowe polepszenie zdolności kodowania względem GLM-5.2.

Konkretne liczby ilustrują skalę tego skoku: wynik na Terminal-Bench 3.0 wzrósł z 4,6 do 28,3, co stanowi wzrost 6,2-krotny i czyni GLM-5.3 najlepszym modelem otwartym w tej kategorii, choć wciąż za zamkniętymi Fable 5 (33,7) i GPT-5.6 Sol (34,6). Na benchmarku DeepSWE v1.1 wynik wzrósł z 46,2 do 66,9, co Z.ai reklamuje jako pierwsze miejsce wśród modeli otwartych, choć niezależna analiza LBank wskazuje, że w tej konkretnej kategorii GLM-5.3 przegrywa z Kimi K3 (67,5) i zamkniętym Fable 5 (69,7). Warto zwrócić uwagę na szczegół efektywności tokenowej, który ma bezpośrednie znaczenie kosztowe dla firm: na wewnętrznym Z.ai Code Bench, GLM-5.3 w trybie High osiąga 31,4 procent trafności, wykorzystując około 50 tysięcy tokenów wyjściowych na zadanie, podczas gdy Claude Opus 4.8 osiąga 29,5 procent, ale zużywa przy tym około 120 tysięcy tokenów, ponad dwukrotnie więcej, wykonując to samo zadanie. Model niósł też ze sobą zauważalny, dwutorowy skok w zdolnościach cyberbezpieczeństwa, na benchmarku CyberGym wynik wzrósł z 77,2 do 84,5 procent, a na ExploitBench, teście testującym zdolność do przeprowadzania łańcuchów eksploitacji, wynik ponad się podwoił, z 24,4 do 54,4 procent, co Z.ai opisuje jako niezamierzony efekt uboczny skalowania post-treningu, wystarczająco istotny, by opublikowanie wag na Hugging Face przesunięto o dwa tygodnie w celu dodatkowej oceny bezpieczeństwa. Wagi modelu ostatecznie stały się publicznie dostępne na Hugging Face 27-28 sierpnia 2026 roku, w formacie BF16 i FP8, na łącznie 141 shardach o wadze około 756 GB, na licencji GLM-5.3.

Seedance 2.5: ByteDance rozwiązuje problem, którego nikt inny jeszcze nie rozwiązał

Z perspektywy branży kreatywnej, model Seedance 2.5 od ByteDance, firmy stojącej za TikTokiem i CapCut, jest w mojej ocenie najważniejszym z całej czwórki, ponieważ atakuje bezpośrednio ograniczenie techniczne, które od dawna oddzielało generatywne wideo od realnej, profesjonalnej produkcji filmowej. Model został zapowiedziany 23 czerwca 2026 roku na konferencji Volcano Engine FORCE w Pekinie, publicznie wydany 31 lipca 2026 roku, a dostęp do API otworzył się 16 lipca 2026 roku poprzez platformę BytePlus. Kluczowa funkcja, generowanie trzydziestosekundowego klipu w jednym, nieprzerwanym przebiegu, bez żadnego zszywania segmentów i bez widocznych szwów montażowych, jest możliwa dzięki architekturze Sparse Diffusion Transformer opracowanej przez zespół Doubao w ByteDance, wykorzystującej zoptymalizowany, rzadki mechanizm uwagi. Podczas gdy wcześniejsze modele dyfuzyjne przetwarzały ramki wideo z oknami uwagi ograniczonymi do krótszych odcinków czasowych, sparse Diffusion Transformer pozwala modelowi zachować spójny stan scenariusza, tożsamość postaci, warunki oświetlenia, pozycję kamery, przez cały czas trwania klipu w jednym przebiegu inferencji.

Drugim, równie istotnym przełomem jest ujednolicony system łącznego generowania audio-wideo, w którym sygnały wizualne i akustyczne są przetwarzane w tej samej przestrzeni ukrytej od samego początku procesu inferencji. Dialogi, dźwięki otoczenia i podkłady muzyczne generowane są równolegle z wideo, nie dopasowywane do niego po fakcie, co eliminuje potrzebę ręcznej synchronizacji dźwięku charakterystycznej dla wcześniejszych generacji modeli wideo. Model przyjmuje do 50 wielomodalnych materiałów referencyjnych w jednym żądaniu, czyli do 30 obrazów, 10 klipów wideo i 10 klipów audio, co pozwala twórcom przekazywać modelowi znacznie bogatszy kontekst dotyczący postaci, stylu wizualnego i kierunku kamery niż w jakimkolwiek wcześniejszym modelu tej klasy. Seedance 2.5 obsługuje również edycję na poziomie znacznika czasowego, umożliwiającą precyzyjną modyfikację konkretnego fragmentu wygenerowanego wideo bez konieczności regenerowania całego klipu, oraz zaawansowane funkcje montażowe, green screen, kontrolę perspektywy kamery, edycję opartą na referencjach, zaprojektowane pod rygorystyczne wymagania profesjonalnych branż, takich jak film i reklama. Rozdzielczość wyjściowa sięga 4K w zależności od platformy dostępu, a cena na platformie Atlas Cloud zaczyna się od 0,134 dolara za generację. Warto jednak zaznaczyć uczciwie: dziennikarskie analizy TechTimes wskazują, że w momencie startu API, wobec Seedance 2.5 nierozwiązane pozostawały spory o prawa autorskie ze strony wielkich studiów hollywoodzkich, a chińska ustawa o wywiadzie narodowym ma zastosowanie do materiałów przesyłanych przez przedsiębiorstwa korzystające z modelu, co jest istotnym czynnikiem ryzyka do rozważenia przy wdrożeniach korporacyjnych w Europie.

Wan3.0: Alibaba stawia na generowanie z dokumentów biznesowych

Model Wan3.0 od Alibaby, udostępniony 24 sierpnia 2026 roku poprzez Alibaba Cloud, reprezentuje inne podejście strategiczne niż pozostała trójka. Podczas gdy Kimi K3, GLM-5.3 i Seedance 2.5 koncentrują się na czystej wydajności technicznej w kodowaniu, agentowości czy jakości wizualnej, Wan3.0 celuje bezpośrednio w rynek treści korporacyjnych i marketingowych, umożliwiając generowanie materiałów wideo do trzydziestu sekund długości bezpośrednio z dokumentów biznesowych, arkuszy kalkulacyjnych, prezentacji i stron internetowych. Wydanie nastąpiło dzień po tym, jak Alibaba zamknęła emisję akcji o wartości 10 miliardów dolarów, co wskazuje na skalę kapitału, jaką firma jest gotowa zaangażować w ten obszar konkurencji. To podejście, generowanie wideo marketingowego wprost z istniejących zasobów firmowych, bez konieczności pisania złożonych promptów od zera, adresuje realny problem, z którym boryka się większość zespołów marketingowych korzystających z narzędzi generatywnych: barierę wejścia związaną z umiejętnością formułowania efektywnych promptów wizualnych.

Zestawienie porównawcze: cztery modele, cztery różne strategie

Dlaczego to ma znaczenie dla całej branży treści kreatywnych

Patrząc na te cztery wydania z perspektywy foundera platformy integrującej ponad 200 modeli AI dla twórców treści, wyciągam trzy wnioski, które uważam za ważniejsze niż śledzenie pojedynczych benchmarków. Pierwszy wniosek: chińskie laboratoria przestały traktować media generatywne, obraz, wideo, audio, jako obszar drugorzędny wobec modeli tekstowych i zaczęły w te kategorie inwestować z taką samą intensywnością, z jaką wcześniej inwestowały w LLM-y, co widać w tempie wydań, cztery istotne modele w ciągu jednego miesiąca, sierpnia 2026 roku. Drugi wniosek: strategia otwartych wag, znana już z modeli tekstowych DeepSeek czy Qwen, rozciąga się teraz na modele multimodalne, Kimi K3 i (z opóźnieniem bezpieczeństwa) GLM-5.3 są udostępniane publicznie na Hugging Face, co oznacza, że firmy mogą hostować te modele na własnej infrastrukturze, bez wysyłania wrażliwych danych kreatywnych do zewnętrznych dostawców API, dokładnie ten sam mechanizm, który opisywałem wcześniej w kontekście modeli tekstowych. Trzeci wniosek, i ten uważam za najważniejszy dla branży kreatywnej konkretnie: różne modele optymalizują się pod różne, konkretne problemy biznesowe, jeden pod agentową autonomię, drugi pod efektywność kosztową kodowania, trzeci pod ciągłość narracyjną wideo, czwarty pod automatyzację treści marketingowych z istniejących dokumentów, co oznacza, że przewaga konkurencyjna w branży kreatywnej AI nie będzie już płynąć z dostępu do "jednego najlepszego modelu", tak jak pisałem w poprzednich artykułach o komodytyzacji warstwy modeli, ale z umiejętności trafnego dopasowania właściwego modelu do konkretnego zadania kreatywnego i zbudowania wokół tego zestawu modeli spójnego, kontrolowanego procesu produkcyjnego.