AI company, laging nagpapalit ng quota para mabawasan ang sunog.
Sa kabanata ng Oktubre, binago muli ng OpenAI ang kanilang patakaran sa limitasyon bilang tugon sa mga komento ng mga gumagamit tungkol sa pagbawas ng limitasyon sa Pro 200 plan. Pagkatapos ng isang pahayag na “nakatanggap kami ng mabuting feedback mula sa inyo,” inihayag ni Tibo, ang tagapamahala ng Codex, na doblehin ang lahat ng limitasyon para sa mga Pro at Business Premium plan. Sa komunidad, malakas ang pagbati para dito.
Kasalukuyan, nangyari rin ang katulad na bagay sa Kimi, ngunit ang tono ay tila mas "malubha".
Hindi pa naglalabas ng 12 oras ang bagong modelo ni Moonshot AI, ang Kimi K3.1 Pro, at agad nang sumabog ang kontrobersiya. Sa isang panig, inilabas ng mga foreign blogger ang pagkakakita na ito ay nagbibigay ng mga template para sa pagpapromote at nangangailangan na itago ang mga label para sa paid partnerships; sa kabilang panig, ang mga user ay nagkakaroon ng malaking pag-aalala tungkol sa mabilis na pagkawala ng kanilang quota: agad na nalalapit sa limitasyon ang kanilang paggamit kahit hindi pa masyadong tumagal ang task.
Dalawang araw pagkatapos, ang Moonshot ay nag-apologize nang pampubliko tungkol sa pag-limita at hindi kinakailangang paggamit ng quota ng K3.1 Pro, nagbalik ng 25% ng buwanang quota sa lahat ng mga subscriber ng subscription, at sinabi na sila ay magkakaroon ng pagbabawas sa hindi kinakailangang pagtawag sa sub-Agent at haba ng output.
Bagaman ito ang ikatlong pagpapatawad ni Kimi sa loob ng anim na buwan, ang “insidente sa limitasyon” ay hindi pa talaga natapos.
“Ang额度黑洞,” patuloy pa
Sa mga lokal na malalaking modelo, ang Kimi ay laging isang espesyal na pagkakataon. Sa pamamagitan ng kanyang kakayahan sa pagproseso ng mahabang teksto at paggawa ng teksto, ito ay hindi lamang nagtipon ng isang malaking grupo ng matitinding gumagamit, kundi may kakayahang makipag-kaibigan sa mga pangunahing modelo sa buong mundo, kasama ang mga malalaking kumpanya sa ibang bansa na may malaking computing power at mga pondo.
Ngunit mula pa noong simula ng taon, hindi natigil ang mga reklamo tungkol sa mabilis na pagwawakas ng kanilang subscription plans. “Hindi kayang bayaran ng mga walang pera, habang mas mura pa ang paggamit ng overseas models para sa mga may pera,” ayon sa isang malalim na gumagamit ng AI. Ayon sa kanila, sa parehong presyo, ang quota na ibinibigay ni Kimi ay mas maliit kumpara sa GPT at Claude. May mga user din na nagkukumpara sa iba pang models: “Sapat ang 199 na i-deposito sa DeepSeek para sa isang buwan, pero ang pera na ibinibigay sa Kimi ay sapat lang para sa isang araw.”
Para sa mga user na ito, ang malalaking modelo ay hindi isang chat tool na binubuksan lamang nang pansamantala, kundi isang produktibong produkto na nakapaloob sa kanilang araw-araw na proseso ng trabaho. Kaya, ang kanilang pakiramdam sa paggamit ng kanilang quota ay lubos na malinaw.
Pagkatapos ng paglunsad ng K3.1 Pro, mas naging malinaw ang kontradiksyon. Ang bagong modelo ay nakaranas ng malaking pagpapabuti sa mga kakayahan tulad ng code, mahabang misyon, at 3D modeling, at ang reaksyon ng merkado ay napakasigla. Ang intelligent score na ibinigay ng Artificial Analysis ay 55 puntos, nasa ikaapat na pwesto sa buong mundo, at naging pinakamataas na iskor sa listahan ng open-source weight model. Kahit ang third-party evaluation agency na si ModelCompare ay nagpahayag na dahil sa pagkakaroon ng modelo na ito, “ang pagkakaiba sa pagitan ng China at US sa AI ay bumaba mula sa ilang buwan hanggang sa natitirang 31 araw.”
Sa tingin lamang sa presyo ng API, patuloy pa ring pinapakilos ni Kimi ang karaniwang kahusayan sa gastos ng mga lokal na modelo: bumaba ang K3.1 Pro ng halos isang-katlo kumpara sa nakaraang bersyon, mula sa ₱20 bawat milyong Token hanggang ₱13 para sa input, at mula sa ₱100 hanggang ₱68 para sa output. Gayunpaman, para sa mga gumagamit ng subscription plan, tumataas ang kakayahan ng modelo, ngunit kailangan mong maging mas maingat sa pagkalkula ng iyong quota habang ginagamit ito.
Matapos ang paghahambing ng isang matagal nang subscriber ng Kimi, natuklasan na bagaman mas mababa ang presyo bawat yunit, mas maraming token ang ginagamit ng bagong modelo para sa bawat gawain, kaya ang kabuuang gastos ay halos pareho. Ayon sa pagsubok ng Artificial Analysis, ang K3.1 Pro ay naglabas ng humigit-kumulang 150 milyong token para sa buong Intelligence Index, habang ang median ng mga modelo na nasubok ay lamang 87 milyong token. Sa pagsasalin, ang output ng token ng K3.1 Pro ay 72% mas mataas kaysa sa median level.
Ang mga halimbawa ng aktwal na gawain ay mas nakakalito. Sa komunidad, isang user na nagsasubscribe sa KIMI na 199 yuan ay nagpadala lamang ng isang utos na “irebyu ang arkitektura ng proyekto,” at agad na nagbuo ang K3.1 Pro ng limang sub-Agent, at sa loob ng ilang minuto ay natapos na ang 5-oras na quota. Sa klasikong tanong na “Pelican na nagbibisikleta,” nagbigay ang K3.1 Pro ng 1 oras at 47 minuto, na nag消耗 ng 87% ng 5-oras na quota.
Mas malala pa, ang kompensasyon sa limit ay hindi nakapagpapawi ng kawalan ng kasiyahan ng mga user. Sa mga araw na ito, patuloy na nagrereklamo ang mga user na kahit may quota na si Kimi, hindi pa rin ito maaaring gamitin.
“Ang Kimi ay nasa peak hours, subukan muli sa mas mababang oras o i-upgrade ang iyong membership para mabilisan.” Kahit na nagbayad na ang mga user para sa subscription, maraming beses pa ring lumalabas ang nakakairitong mensaheng ito sa mga chatbox ng maraming user, kabilang na rito ang mga user na nags-upgrade na ng isang package dahil sa kulang na quota.
Ipinaglaban ng Kimi ang mas mataas na antas ng kakayahan ng modelo, ngunit ang nakuha ng mga user ay hindi na lang problema sa paggamit ng quota, kundi ang pagkakaiba sa pagitan ng serbisyo sa panahon ng peak at ang mga benepisyo sa bayad.
“Hindi nagbibigay ng sapat,” simulan na ni Kimi ang pagpapagana ng memorya?
Upang mapabawas ang presyur sa quota, tila nag-aadjust ang Kimi sa kanyang dating pinakamalakas na tampok na memorya. Noong Agosto 10, nag-update ang Kimi ng arkitektura ng memorya nang walang paunang babala sa mga user, at ipinakilala ang “dream memory” mekanismo na gumagamit ng bayad na quota, na awtomatikong binabasa ang nilalaman ng usapan at isinusulat sa database ng memorya.
Ngayon, ilang gumagamit ang nag-ulat na ang memory space ng Kimi ay hindi makakapag-load nang maayos sa mga araw na ito, at posibleng inaayos ng opisyal ang mekanismo ng memorya. Kasalukuyan, ang bagong bersyon ng memorya ay nagtatapos na i-organisa at i-abstract ang mga nakaraang utos ng memorya bilang user preference, kaysa mag-execute nang isa-isa ang bawat detalye ng memorya tulad ng dati. Ang benepisyo ay mas mababa ang paggamit ng Token. Ngunit ang gastos ay ang pagbaba ng mas detalyadong kakayahan sa memorya.
Ngunit ang mga ito ay nagtataglay lamang ng bahagyang pagpapababa sa pagkawala. Ang problema sa gastos na kinakaharap ng Kimi ay nanggagaling muna sa sariling modelo.
Ang K3.1 Pro ay isang modelo na may 3 trilyong parameter. Ang mga dating impormasyon sa arkitektura ng serye K3 ay nagpapakita na ang laki ng modelo ay humigit-kumulang 2.8T parameter, na may 104B activated parameters. Sa kumpara, ang ilang mga modelo na may mas maliit na sukat ng parameter at mas mataas na efficiency sa pag-activate ay may mas malaking kahusayan sa pagkontrol ng gastos. Ang mga tagagawa tulad ng DeepSeek at Zhipu ay patuloy na nagpapabuti sa arkitektura ng modelo at sa pag-optimize ng inference engineering upang makahanap ng mas angkop na balanse sa pagitan ng kakayahan at gastos.
Susunod sa pagkakaroon ng pagkakasira sa pag-iisip dulot ng mga kumplikadong gawain. Ang Kimi K3.1 Pro ay awtomatikong naka-on sa mode ng pag-iisip sa buong proseso, na naglalabas ng mas mahabang chain ng pag-iisip at higit pang intermediate na pagdededuksyon. Ang mahabang konteksto ay nagdaragdag sa computational overhead sa pagproseso ng input, habang ang kumplikadong pag-iisip at maraming pagtawag sa Agent ay nagpapataas pa ng kabuuang pagkakasira. Kung ang isang Agent task ay nangangailangan ng maraming pagtawag sa model, pagpapatakbo ng maraming sub-Agent, at paulit-ulit na pagsusuri at pagbabago, ang kabuuang mapagkukunan na ginagamit ay maaaring maging mas malaki kaysa sa isang simpleng tanong na nadarama ng user.
Para kay Kimi, ang tunay na kailangang patunayan ay hindi kung kayang palakasin pa ang mga parameter ng model, kundi kung kayang pataasin ang efficiency ng inference habang inaangkop ang kakayahan. Isang developer na nagmamasid kay Kimi ay nagsabi na sa halip na magpatuloy sa pakikilahok sa kompetisyon ng mga mataas-end na model, mas mabuti na ipagkaloob ni Kimi ang kanyang mga yaman sa pagpapalawak ng mas magaan at mas epektibong model.
Hindi ito problema ng pamilya Kimi.
Lahat ng mga vendor na nag-aalok ng mga advanced model sa pamamagitan ng fixed monthly fee ay nakakaranas ng parehong structural tension: ang pagpapabuti ng model capability ay karaniwang kasama ng synchronous o kahit na superlinear na pagtaas sa inference cost, habang ang subscription price ay rigid at ang user expectation ay “kung binayad mo, dapat sapat na.” Ang pagkakaiba ay ang ilang kompanya ay ginawa ang token efficiency bilang bahagi ng product capability, samantalang ang iba ay ginawa ang capability breakthrough bilang brand asset, at ang mga subscriber ay nasa gitna, nagbabayad ng mas mataas na runtime cost kaysa sa inaasahan para sa “powerful intelligence.”
Bukod dito, ang computing power ng Moonshot ay malaking depende sa panlabas na suplay. Ayon sa isang ulat ng Bloomberg, mayroon silang pagkakasundo sa Alibaba para gamitin ang isang cluster na binubuo ng halos 20,000 NVIDIA chips, na kumakatawan sa malaking bahagi ng kabuuang computing resources ng Moonshot. Bago ito, apat na oras pagkatapos ng paglalabas ng K3, pinigilan ng Kimi ang mga bagong subscription dahil sa pagkakaroon ng limitasyon sa GPU capacity.
Kapag nasa kritikal na antas na ang computing power ng isang kumpanya, ang pagbibigay ng malaking quota sa mga subscriber mula sa C-end ay hindi makatwiran mula sa pananalapi.
Sino ang dapat kitain ng mga lokal na modelo?
Kung may limitado ang computing power ng isang kumpanya, kailangan itong pumili ng isang praktikal na tanong: saan dapat unahin ang mga yaman? Sa pagtatrain at pag-iterate sa susunod na henerasyon ng model, sa pagpapalakas ng real-time inference service para sa malaking bilang ng mga indibidwal na user, sa pagtugon sa mga pangangailangan ng developer API, o sa pagbibigay ng mas malaking quota sa mga subscriber?
Sa likod ng iba’t ibang pagpipilian ay may iba’t ibang prioridad sa komersyalisasyon. Ang kontrobersiya tungkol sa quota ng Kimi ay nagpapakita rin ng tunay na posisyon ng Moonshot sa ilalim ng pagkakabawas ng computing power para sa subscription ng C-end.
Noong Agosto hanggang Setyembre ng 2026, iba’t ibang media ang nagsalaysay na nag-negosyasyon ang Moonshot AI sa Microsoft, Amazon, at Google upang ilagay ang K3 sa Azure, AWS, at Google Cloud, at kumuha ng komisyon hanggang 30% mula sa kita mula sa pagbebenta ng serbisyo ng K3 sa mga platform na ito. Bukod dito, ang open-source license ng K3 ay hindi ang karaniwang MIT license, kundi isang term na itinatag ng Moonshot AI: ang mga MaaS hosting provider na may taunang kita na higit sa 20 milyong dolyar ay kailangang mag-sign ng karagdagang商业授权协议.
Ang pagkakasama ng dalawang bagay na ito ay nagpapakita na ang Moonshot ay nag-aaral ng isang iba’t ibang path ng negosyo kaysa sa pagpapatakbo lamang ng subscription sa C-end: Sa halip na magbuo ng malaking infrastructure para sa inference sa C-end, mas angkop sa kanilang mga yaman ang pagbibigay ng kakayahan ng modelong “bulto” muna sa mga cloud provider na may kakayahan at mga channel ng pagpapalaganap kaysa sa pagbebenta “maliit” sa mga milyon-milyon na subscriber.
At kung ang C-end ay sumasalungat sa mas maraming papel bilang entry point ng user, feedback ng produkto, at pagpapakita ng kapasidad ng model, kaysa bilang pangunahing source ng kita, maaaring magkaiba ang kanilang pool ng quota mula sa mga inaasahan ng user.
Kasalukuyan, ang mga lokal na kompanya ng malalaking modelo ay naghahanap din ng kanilang sariling mas angkop para sa pagkakaroon ng kita.
Ang kakayahang umunlad ng DeepSeek ay malaking bahagi mula sa pagkakaisa ng kakayahan ng modelo, efisiyensiya sa pag-iisip, at bukas na ekosistema. Sa kasalukuyan, ang karamihan sa kita ay galing sa mga bayarin para sa pagtawag sa API ng modelo, habang ang app ng chatbot ay patuloy na libre at walang advertisement. Ayon sa The Information, ang taunang kita ng DeepSeek ay lumampas na sa $1 bilyon, na higit sa dalawang beses ang dating halaga na mas mababa sa $500 milyon noong ilang buwan ang nakalipas. Malinaw na ipinahayag ni CEO Liang Wenfeng sa huling meeting ng mga investor na ang pagtaas ng presyo ng API ay hindi nagdulot ng pagkawala ng mga customer, at patuloy na malakas ang pangangailangan ng mga user.
Ang Zhipu ay nagsasagawa ng pagbabago sa modelo ng negosyo, mula sa pagkakasalig sa lokal na deployment patungo sa serbisyo ng pag-subscribe sa API. Ayon sa financial report ng unang kalahati ng 2026, ang kita mula sa open platform at API ng Zhipu ay umabot sa 86.5%, isang pagtaas ng 2,735.7% kumpara sa nakaraang taon, habang bumaba ang bahagdan ng kita mula sa lokal na deployment mula sa 84.8% patungo sa 13.5%. Ang malaking pagtaas sa pangangailangan para sa Coding ay isang mahalagang tagapagpabilis sa pagbabagong ito.
Ang MiniMax, na nagsimula bilang isang ToC product sa labas ng bansa, ay nagtatangkang palawakin ang kanyang komersyal na hangganan. Bukod sa patuloy na pagpapalawak sa mga modelo, API, at mga produkto para sa mga indibidwal na gumagamit, itinutugma rin nito ang pagpapalakas sa B2B market sa pamamagitan ng pagpapalawak sa mga kakayahan sa video generation, at sa mga direksyon tulad ng Agent, Reasoning, at Coding. Ang kanilang ideya ay ipasok ang kakayahan ng modelo sa mas maraming mga escenario ng mga kumpanya at developer, upang maiwasan ang sobrang pagkakasalalay sa isang produkto o customer base lamang.
Kumpara sa direkta na paraan ng pagkakaroon ng kita ng mga kumpanya ng modelo, mayroon pa ang mga malalaking kumpanya sa internet ng isang karagdagang kahusayan: mayroon sila nang matatag na portfolio ng produkto, sukat ng mga gumagamit, at mga mapagkukunan ng mga kliyente sa negosyo, kaya sila ay maaaring i-embed ang malalaking modelo sa kanilang umiiral na ecosystem, at pagkatapos ay hanapin ang kita sa pamamagitan ng pagpapahalaga ng produkto at mga serbisyo para sa negosyo. Halimbawa, tinatry ng Tencent na baguhin ang kanilang mga produkto at mga escenario sa opisina gamit ang malalaking modelo. Ang WeChat, Enterprise WeChat, at iba pang mga produkto ay paulit-ulit na pinagsasama ang mga kakayahan ng mga modelo tulad ng Yuanbao, Hunyuan, at DeepSeek, habang ang mga AI-powered office agents tulad ng WorkBuddy ay dinadagdagan ang kanilang pagpapalawak sa mga gumagamit.
Pagkatapos ayusin ang mga kakayahan ng QoderWork, MuleRun, at Wukong, ipinakilala ng Alibaba ang isang isang-solusyon na enterprise-grade pangkalahatang Agent platform na Qianwen Office. Sa Cloud Summit noong Setyembre, natapos ng DingTalk ang pag-upgrade nito sa bersyong komersyal, na nagpapanatili ng libreng standard version habang idinagdag ang apat na bayad na bersyon—AI Basic, AI Advanced, AI Premium, at AI Flagship—at sinama ang buong kakayahan ng Qianwen Office.
Hindi makakapagbigay ng matagalang negosyo ang paggamit lamang ng mababang presyo at trapiko; ang kakayahan ng modelo ay maaaring laging umunlad, ngunit ang pagkakaroon ng pagkakataon ng mga user na magbayad ay hindi magpapalawak nang walang hanggan. Ang tunay na tanong ay kung makakahanap ba ang bawat kumpanya ng isang modelo ng negosyo na tugma sa kanilang kakayahan sa teknolohiya, mga yunit ng computing, at posisyon sa merkado.
Hindi lang si Kimi ang nasa dulo ng klima ng gastos.
Twitter: https://twitter.com/BitpushNewsCN
BitPush TG community: https://t.me/BitPushCommunity
Subskripsyon sa TG ng BitPush: https://t.me/bitpush



