Chińskie modele AI dzielą się na dwa obozy. I to ma znaczenie

Za kilka miesięcy prosisz asystenta AI o zrobienie strony, kliknięcie przez panel, poprawienie błędów i sprawdzenie, czy wszystko wygląda tak, jak trzeba. Model pisze kod, uruchamia go, patrzy na ekran i sam koryguje wynik. Jeśli tego nie widzi, działa po omacku. A to zwykle źle się kończy.

Właśnie wokół tego pęka dziś chiński rynek modeli granicznych. Jedni uznali, że przyszłość należy do modeli, które od początku uczą się tekstu i obrazu razem. Drudzy nadal trzymają się baz tekstowych. Różnica nie jest kosmetyczna - dotyczy tego, czy agent AI ma własne „oczy”, czy tylko czyta opis świata podany przez inne narzędzie.

Sprawdźmy fakty.

Według Pandaily i cytowanego tam raportu 36Kr, Moonshot AI z modelem Kimi K3, Alibaba z Qwen3.8-Max oraz ByteDance z Doubao-Seed-2.1 postawiły na natywne trenowanie multimodalne. Po drugiej stronie są DeepSeek, Zhipu i Tencent Hunyuan, których najnowsze ogólne modele bazowe pozostają tekstowe. Spór nie dotyczy tego, czy multimodalność ma sens. Dotyczy momentu wejścia, kosztu i tego, ile mocy obliczeniowej oraz danych warto w to wsadzić już teraz.

To ciekawy moment także z polskiej perspektywy. Jeśli korzystasz z AI w marketingu, edukacji albo w firmie usługowej, ta różnica szybko przestanie być technicznym detalem. Będzie wpływać na to, czy asystent tylko „gada”, czy naprawdę potrafi sprawdzić efekt swojej pracy na ekranie.

Nowy podział nie biegnie między firmami, tylko między podejściami

Przez ostatni rok rankingi modeli mocno przetasowały kodowanie i zdolności agentowe. Gdy agenci AI przejmują dłuższe sekwencje zadań, sama biegłość w tekście przestaje wystarczać. Model ma nie tylko odpowiedzić, ale też wykonać serię kroków, sprawdzić rezultat i poprawić własne błędy.

I tu wchodzi multimodalność natywna, czyli taka, w której model od początku uczy się pracować jednocześnie na tekście i obrazie. Nie chodzi o wrzucenie zdjęcia do osobnego modułu, który potem streszcza je w słowach. Chodzi o to, by sygnał wizualny był częścią samego modelu.

Moonshot AI, Alibaba i ByteDance wybrały właśnie tę drogę. Jeśli śledzisz ruchy Alibaby, zerknij też na nasz tekst o Qwen3.8, bo ten model pojawia się dziś w samym środku tej układanki. Z kolei DeepSeek, Zhipu i Tencent Hunyuan nadal rozwijają tekstowe bazy ogólnego przeznaczenia.

Liang Wenfeng powiedział, że dobre trenowanie AI nie wymaga world modelu ani nawet multimodalności. Jednocześnie przyznał, że multimodalność i tak ostatecznie trzeba będzie zrobić. To uczciwe postawienie sprawy: pytanie nie brzmi „czy”, tylko „kiedy” i „za jaką cenę”.

Długie zadania agentowe premiują modele, które widzą ekran

Cały sens tego zwrotu widać przy długich łańcuchach zadań. Gdy model dostaje tylko informację zwrotną na poziomie kodu, błędy mogą się kumulować. Na końcu wszystko formalnie „działa”, ale efekt jest słaby. Strona się rozjechała, przycisk jest nie tam, gdzie trzeba, a układ wygląda inaczej niż w projekcie.

Papier przyjmie wszystko, ekran już nie.

Źródło podaje prosty argument: obraz daje dokładniejszy sygnał zwrotny. Jeśli agent tworzy stronę, obsługuje oprogramowanie albo sprawdza wynik wykonania zadania, wizja przestaje być tylko wejściem od użytkownika. Staje się narzędziem samooceny modelu. Model patrzy na wynik swojej pracy i na tej podstawie poprawia kolejne kroki.

Kimi K3 pokazuje, o co tu naprawdę chodzi

Kimi K3 po premierze osiągnął 1679 punktów i trafił na szczyt rankingu Arena Frontend Code. Ten ranking nie sprawdza wyłącznie, czy kod się uruchamia. Liczy się też to, czy strona renderuje się poprawnie - czyli czy wygląda tak, jak powinna.

Przykład z platformy Puter dobrze to pokazuje. Do stron testowych wstawiono pięć wizualnych odchyleń. Kimi K3 porównał stronę docelową ze zrzutem ekranu działającej strony i wykrył wszystkie pięć, bez fałszywych alarmów. Moonshot AI nazywa to „vision in the loop”: model pisze kod, ogląda stronę, a potem dalej ją poprawia na podstawie wyniku wizualnego.

Jeśli czytałeś już naszą analizę Kimi K3, to tu dostajesz kolejny element układanki. Sama technologia robi się coraz bardziej konkretna. Nie chodzi o efekt wow, tylko o to, czy model umie sam sprawdzić, że coś na ekranie jest przesunięte o kilka pikseli i poprawić to bez ręcznego prowadzenia.

Dlaczego osobne narzędzia do obrazu nie rozwiązują całego problemu

Obóz sceptyczny ma swój argument: przecież można podpiąć OCR albo osobny model wizualno-językowy przez framework agentowy lub MCP. Taki system zamienia obraz na tekst albo współrzędne, a potem przekazuje to do modelu tekstowego. Na papierze wszystko się zgadza.

Tyle że źródło wskazuje granicę tego podejścia. Gdy wywołujesz zewnętrzne narzędzie, nadal masz dwa modele: jeden „ślepy” model językowy i pomocnika, który widzi. Komunikacja między nimi jest węższa niż w modelu natywnie multimodalnym, gdzie wejście wizualne łączy się szerzej z głównym torem językowym.

To nie jest drobny niuans architektoniczny dla ludzi od slajdów. To wpływa na działanie po treningu, szczególnie wtedy, gdy model musi wielokrotnie patrzeć na ekran i reagować na to, co zobaczył. Jeśli sam potrafi to zrobić, wynik jest lepszy - tak twierdzi źródło. Jeśli nie, każda iteracja przechodzi przez dodatkowy etap kompresji obrazu do tekstu, a potem przez kolejny model. Po kilku rundach zaczynają się straty.

Rozmowa przez tłumacza, który streszcza Ci obraz zamiast pokazać go wprost. Da się? Jasne. Czy zawsze wystarczy? W długich zadaniach coraz częściej nie.

Jeśli interesuje Cię druga strona tego wyścigu, zobacz też nasz materiał o DeepSeek V4 Flash. DeepSeek pozostaje bardzo ważnym graczem, ale ten news pokazuje, że sama siła modelu tekstowego może nie wystarczyć tam, gdzie agent ma działać na ekranie, a nie tylko w oknie czatu.

To sygnał także dla firm w Polsce: agent bez oczu ma ograniczony sufit

Dla Ciebie sprawa jest prosta. Wiele wyników pracy AI ma formę wizualną: strony, obrazy, wideo, interfejsy, panele, raporty na ekranie. Jeśli model nie rozumie tych rezultatów bezpośrednio, jego zdolność do samokorekty jest ograniczona.

To ma znaczenie dla firm, które chcą wdrażać agentów do obsługi procesów, marketingu, e-commerce czy prostych zadań operacyjnych. Agent, który „widzi” efekt, lepiej sprawdzi landing page, formularz, dashboard albo wynik działania aplikacji. Agent tekstowy nadal może być świetny, tylko jego sufit w takich zadaniach jest niżej.

Na poziomie rynku to też ciekawy sygnał dla Europy i Polski. Firmy wybierające modele do wdrożeń będą coraz częściej patrzeć nie tylko na jakość odpowiedzi tekstowych, ale też na to, czy model potrafi zamknąć pętlę działania: zrobić, zobaczyć, poprawić. Ten trzeci krok robi dziś dużą różnicę.

W podobnym kierunku idą też inne ekosystemy, gdy AI zaczyna sterować aplikacjami i interfejsami. Dobrze widać to choćby w materiale o Gemini w Galaxy, gdzie liczy się nie sama rozmowa z modelem, ale jego kontakt z realnym środowiskiem aplikacji. Rynek powoli przestaje nagradzać modele, które tylko dobrze piszą. Zaczyna nagradzać te, które potrafią sprawdzić własny wynik.

Perspektywa na najbliższe 6-12 miesięcy jest dość czytelna. Jeśli „vision in the loop” faktycznie stanie się standardem dla długich zadań agentowych, podział na modele tekstowe i natywnie multimodalne będzie coraz bardziej praktyczny, a coraz mniej akademicki.

Pytanie nie brzmi już, czy AI umie coś napisać. Pytanie brzmi: czy umie spojrzeć na efekt i powiedzieć sobie „tu jest błąd, poprawiam”?

Najczęstsze pytania

Co to znaczy, że model jest natywnie multimodalny?

To model trenowany od początku tak, by pracował jednocześnie na tekście i obrazie. W tym podejściu sygnał wizualny nie jest tylko dodatkiem z zewnętrznego narzędzia, ale częścią samego modelu.

Dlaczego obraz jest ważny dla agentów AI?

Przy długich zadaniach sam tekst lub sam kod nie zawsze wystarczają do oceny wyniku. Gdy agent widzi ekran, stronę albo efekt działania aplikacji, może lepiej wykrywać błędy i poprawiać własne działania.

Czy DeepSeek, Zhipu i Tencent Hunyuan są dziś tekstowe?

Według opisanego źródła ich najnowsze ogólne modele bazowe pozostają tekstowe. To nie znaczy, że firmy odrzucają multimodalność na zawsze, tylko że na tym etapie wybrały inną kolejność rozwoju.

Co pokazał przykład Kimi K3?

Źródło podaje, że Kimi K3 osiągnął 1679 punktów w rankingu Arena Frontend Code i zajął tam pierwsze miejsce po premierze. W teście platformy Puter model wykrył pięć wizualnych odchyleń między stroną docelową a zrzutem ekranu działającej strony, bez fałszywych alarmów.

Co z tego wynika dla firm i użytkowników w Polsce?

Jeśli firma chce używać AI do zadań opartych na interfejsach, stronach lub aplikacjach, zdolność modelu do analizy obrazu może stać się ważnym kryterium wyboru. Dla zwykłego użytkownika oznacza to po prostu tyle, że najlepsi asystenci będą coraz częściej nie tylko pisać, ale też samodzielnie sprawdzać rezultat swojej pracy.