Kínai nyílt modellek: MiMo-V2.6, DeepSeek V4.1, Qwen 3.8. Használhatja-e egy magyar cég?

Szeptemberben két kínai fejlesztő is olyan nagy nyelvi modellt tett le az asztalra, amelyet bárki letölthet a Hugging Face-ről: a DeepSeek szeptember 10-én kiadta az 552 milliárd paraméteres DeepSeek-V4.1-Flash modellt, a Xiaomi pedig szeptember 21-én nyitotta meg a MiMo-V2.6 sorozatot, mindkettőt a rendkívül megengedő MIT-licenc alatt. A kínai nyílt modellek ezzel olyan szintre értek, hogy a gyártói mérések szerint egyes programozási teszteken az Anthropic Claude Opus 5 és az OpenAI GPT-6 Astra eredményeit hozzák, miközben az API-áruk a nyugati csúcsmodellek töredéke. Egy magyar cégvezető számára ez csábító ajánlat, amely mögött viszont licencfeltételek, adatvédelmi kérdések és elég húzós hardverszámlák lapulnak.

Hogy a „nyílt” jelző mennyire csalóka lehet, azt az Alibaba mutatta meg a legfrissebben: a Qwen-Image-2.1 képgeneráló modell szeptember 20-án már kutatási licenccel jelent meg, amely külön megállapodás nélkül nem használható kereskedelmi célra, holott a korábbi Qwen-képmodellek még Apache 2.0 licencet kaptak. Az alábbi összefoglaló a 2026. szeptember 22-i állapot szerint mutatja be, mit tudnak valójában ezek a modellek, mikor ütközik a használatuk a GDPR-ral és mikor nem, mennyibe kerül a saját szerveres futtatás forintra átszámolva, végül azt is, milyen helyzetben nem javasoljuk őket egy magyar kis- vagy középvállalatnak.

Röviden

• A kínai nyílt modellek közül 2026 szeptemberében a DeepSeek-V4.1-Flash (552 milliárd paraméter, MIT-licenc), a Xiaomi MiMo-V2.6 Pro és Flash változata (MIT-licenc, 1 millió tokenes kontextus) valamint az Alibaba augusztus 14-én kiadott Qwen3.8-27B modellje (Apache 2.0) a legérdekesebbek egy vállalati felhasználó szemszögéből.
• A gyártói adatok szerint a DeepSeek-V4.1-Flash a DeepSWE v1.1 programozási teszten 74,2 pontot ért el, ami gyakorlatilag azonos a Claude Opus 5 74,0 pontjával, ezek a számok azonban önbevallásosak, ezért a saját feladataidon mért eredmény sokkal többet ér náluk.
• Adatvédelmi szempontból a hivatalos kínai API a legkockázatosabb út, mert a DeepSeek adatvédelmi tájékoztatója szerint a felhasználói adatok a Kínai Népköztársaság szerverein tárolódnak, az olasz adatvédelmi hatóság pedig már 2025. január 30-án letiltotta a DeepSeek alkalmazását.
• A saját szerveren vagy európai adatközpontban futtatott nyílt súlyú modell nem küld adatot Kínába, így GDPR-szempontból ugyanúgy kezelhető, mint bármely más, általad üzemeltetett szoftver, cserébe a nagy modellek futtatása havonta több millió forintos GPU-bérléssel jár.
• Saját becslésünk szerint egy nagy kínai modellhez elegendő, 8 darab H100-as GPU-val szerelt szerver bérleti díja a Lambda listaárán havonta nagyjából 7,5 millió Ft, ugyanennyi pénzből viszont a DeepSeek API-n körülbelül 44 milliárd token dolgozható fel, ezért egy tipikus KKV-nak az egyetlen GPU-n is elfutó kisebb modellek jelentik a reális saját szerveres lehetőséget.
• Nem ajánljuk a kínai modelleket személyes adatok hivatalos kínai API-n keresztüli feldolgozására, tisztázatlan licencű modellekhez valamint olyan cégeknek, amelyeknek nincs belső vagy külső kapacitásuk egy AI-szerver biztonságos üzemeltetésére.

Mit tudnak a kínai nyílt modellek 2026 őszén?

A 2026 őszi kínai nyílt modellek a gyártók szerint programozásban, ügynöki feladatokban és hosszú dokumentumok feldolgozásában a nyugati csúcsmodellek közelében teljesítenek, többnyire 1 millió tokenes kontextussal. A legnagyobb újdonság mégis a licenc, mert a DeepSeek és a Xiaomi modelljei MIT-licencet kaptak, így kereskedelmi célra is szabadon használhatók és módosíthatók.

Mielőtt a konkrét modellekre rátérünk, tisztázzunk két fogalmat, mert a hírekben gyakran összemosódnak. A nyílt súlyú (open-weight) modell olyan mesterségesintelligencia-modell, amelynek betanított paraméterei, vagyis a „súlyai” letölthetők és saját gépen futtathatók. Ez nem azonos a klasszikus nyílt forráskóddal, hiszen a tanítóadatot és a tanítás teljes folyamatát a fejlesztők jellemzően nem teszik közzé, így a modell belső működése kívülről csak részben ellenőrizhető. A szövegben a „nyílt modell” kifejezést ebben a szűkebb, nyílt súlyú értelemben használjuk.

A második fogalom a szakértőkeverék (Mixture of Experts, röviden MoE). A MoE-modell sok kisebb „szakértő” részhálózatból áll, amelyek közül minden egyes tokennél csak néhány dolgozik, ezért egy több száz milliárd paraméteres modell tokenenként nagyjából annyi számítást igényel, mint egy jóval kisebb, sűrű (dense) modell. A token a szöveg feldolgozási egysége, egy szónál általában rövidebb szövegdarab. A MoE-modell memóriaigénye viszont a teljes paraméterszámhoz igazodik, ami a saját futtatásnál döntő tényező lesz, ezért a paraméterszámokat mindig két számmal adjuk meg: összes és tokenenként aktív paraméter.

Xiaomi MiMo-V2.6 Pro és Flash

A Xiaomi 2026. szeptember 21-én tette közzé a Hugging Face-en a MiMo-V2.6 sorozat két tagját, az OrcaRouter összefoglalója szerint mindkettőt MIT-licenc alatt. A nagyobbik, a MiMo-V2.6-Pro 1,02 billió (ezermilliárd) paraméterből áll, amelyből tokenenként 42 milliárd aktív. A kisebbik MiMo-V2.6-Flash 309 milliárd összes és 15 milliárd aktív paraméterrel dolgozik, 256 szakértő részhálózattal. A súlyfájlok FP8 formátumban összesen 172,9 GB-ot tesznek ki. Mindkét változat 1 millió tokenes kontextusablakot kínál, vagyis egyetlen kérésben egy vaskos szerződéscsomagot vagy egy teljes tenderdokumentációt is képes átlátni.

A Xiaomi saját állítása szerint a Pro az Anthropic Claude Opus 5 és az OpenAI GPT-5.6 Sol szintjén teljesít, a független Artificial Analysis Intelligence Index összesítő mutatóján 46 pontot kapott. A Flash változat a gyártói mérések alapján a DeepSWE v1.1 szoftverfejlesztési teszten 67,9 pontot ért el, ami elmarad a Claude Opus 5 74,0 pontjától, a Terminal-Bench 2.1 parancssoros teszten viszont 87,6 ponttal a 89,1 pontos Opus 5 közelében van. Szokatlan és rokonszenves lépés, hogy a Xiaomi élő dashboardon tette közzé a modell utótanításának (post-training) folyamatát, ami a zárt nyugati laborokhoz képest nagyobb átláthatóságot jelent.

Az OpenRouter nevű modellközvetítő platformon a MiMo-V2.6-Flash millió bemeneti tokenenként 0,14 dollárba, millió kimeneti tokenenként 0,28 dollárba kerül. A szeptember 22-i állapot szerint ott egyetlen kiszolgáló, maga a Xiaomi futtatja, ennek adatvédelmi következményeire a GDPR-ról szóló részben visszatérünk.

DeepSeek-V4.1-Flash

A DeepSeek 2026. szeptember 10-én adta ki a DeepSeek-V4.1-Flash modellt, amely a DataNorth összefoglalója szerint 552 milliárd paraméteres MoE-modell. Olvasáskor tokenenként nagyjából 8 milliárd, íráskor 16 milliárd paramétert aktivál, a kontextusablaka 1 millió token, a válasz hossza legfeljebb 384 000 token lehet. A modell képeket is értelmez, a súlyai MIT-licenccel érhetők el, ami kereskedelmi felhasználást, továbbterjesztést és finomhangolást is megenged.

A műszaki újdonságok közül a KV-gyorsítótár karcsúsítása érdemel figyelmet. A KV-gyorsítótár az a munkamemória, amelyben a modell a már elolvasott szöveg feldolgozott változatát tartja, ezért minél kisebb, annál olcsóbb hosszú dokumentumokkal dolgozni. A DataNorth szerint az új modellnél ez tokenenként 890 bájt, nagyjából negyede az előd DeepSeek-V4-Flash igényének. Egyszerű szorzással számolva egy teljes, 1 millió tokenes kontextus így alig 0,9 GB memóriát foglal, ami a saját futtatásnál komoly könnyebbség.

A gyártói mérések alapján a DeepSeek-V4.1-Flash a DeepSWE v1.1 teszten 74,2, a Terminal-Bench 2.1 teszten 90,6, míg a Humanity’s Last Exam tudásteszten 36,8 pontot ért el. Az API-ár napszakfüggő: csúcsidőn kívül millió bemeneti tokenenként 0,15, millió kimeneti tokenenként 0,60 dollár, csúcsidőben ennek a duplája, vagyis 0,30 és 1,20 dollár. Fontos részlet, hogy a DataNorth szerint a DeepSeek semmilyen hardverkövetelményt nem közölt a saját futtatáshoz, ezért erre a költségszámításnál saját becsléssel kell élnünk.

Az Alibaba Qwen 3.8 családja

Az Alibaba Qwen csapata 2026. augusztus 14-én két nyílt súlyú modellt adott ki a Qwen 3.8 családból. A The Decoder beszámolója szerint a Qwen3.8-27B egy 27 milliárd paraméteres, sűrű, multimodális modell, amely szöveget, képet és videót is feldolgoz, a natív kontextusa 262 144 token, amely a YaRN nevű technikával 1 millió tokenig bővíthető. A fejlesztők szerint programozásban és irodai feladatokban felülmúlja a nagyobb Qwen3.7-Plus modellt, gondolkodási módja kérésenként ki- és bekapcsolható. Ez a modell Apache 2.0 licencet kapott, így kereskedelmi célra is korlátozás nélkül használható.

A család nagy testvére, a Qwen3.8-2.4T-A95B már más kategória: 2,4 billió összes és 95 milliárd aktív paraméterrel dolgozik. A licencéről a források nem egyeznek, mert a The Decoder címe Apache 2.0 licencről beszél, az SQ Magazine elemzése viszont egy egyedi „Qwen3.8-Max License” feltételeit ismerteti, amely bevételi küszöbökhöz köt bizonyos felhasználásokat. Ez az eset tökéletesen mutatja, miért kell mindig a letöltött modell mellett található licencfájlt elolvasni a hírek helyett. A Qwen3.8-Omni-Flash pedig nem is nyílt modell: 1 millió tokenes kontextusú, natívan többféle médiatípust kezelő modell, amely kizárólag API-n érhető el, millió bemeneti tokenenként 0,15, kimeneti tokenenként 0,47 dollárért.

Aki még a sorban áll: StepFun Step 5

A kevésbé ismert StepFun is beállt a sorba a Step 5 Preview modellel, amely 600 milliárd paraméteres, ritka aktiválású MoE-modell, az Artificial Analysis Intelligence Indexén 44 pontot ért el, API-ára millió tokenenként 1 dollár bemenetre és 2,70 dollár kimenetre. A nyílt súlyokat a cég október 15-re ígérte, így ez a modell egyelőre csak API-n keresztül próbálható ki.

Mennyire hihetők a frontmodellekkel egyenértékű pontszámok?

Részben hihetők. A kínai modellek pontszámai többnyire a gyártók saját mérései, amelyeket a független tesztek csak késve követnek, ráadásul ugyanarról a modellről különböző források eltérő számokat közölnek. Irányt mutatnak, de a saját feladataidon végzett próbát, különösen a magyar nyelvű munkákban, semmiképp sem helyettesítik.

A frontmodell kifejezés a mindenkori legerősebb, a technológia élvonalát jelentő modelleket jelöli, 2026 őszén ilyen az OpenAI GPT-6 Astra, az Anthropic Claude Opus 5 vagy a Meta Muse Spark 1.3. A benchmark olyan szabványos tesztsor, amelyen a modellek teljesítményét összemérik. Az alábbi táblázat két, a szoftverfejlesztési és ügynöki képességeket mérő tesztet vet össze, a számok forrása minden esetben a gyártó vagy az azt idéző szaksajtó.

A táblázat első ránézésre azt üzeni, hogy egy ingyen letölthető kínai modell programozásban ott van a világ élvonalában, a gyártói számok alapján ez igaz is. A DeepSWE teszten a legjobb és a negyedik helyezett között mindössze 1,4 pont a különbség, ami a gyakorlatban aligha érzékelhető. A benchmarkok és a valós munka között azonban nagy a távolság: a tesztek angol nyelvűek, jól definiáltak és ellenőrizhetők, a céges feladatok viszont többnyire magyar nyelvűek, homályosan megfogalmazottak és tele vannak kivétellel.

A modellek ráadásul olyan szempontokban is különbözhetnek, amelyeket a táblázat nem mutat. Az általunk átnézett bejelentésekben egyik gyártó sem közölt magyar nyelvre vonatkozó mérést, így arról, hogy egy magyar ügyfélszolgálati levelet vagy egy szerződéskivonatot milyen minőségben készít el egy kínai modell, csak a saját tesztjeid adhatnak választ. Hasonlóan nincs összehasonlítható adat arról sem, milyen gyakran téved magabiztosan (hallucinál) a modell üzleti szövegekben, pedig egy számlakivonatnál vagy árajánlatnál ez sokkal többet számít, mint egy programozási teszt tizedpontjai.

Tipp: a gyártói benchmarkot kezeld úgy, mint egy autó gyári fogyasztási adatát. Jól összehasonlítható, de a saját utaidon mért szám lesz az, ami a számládon megjelenik.

A független mérések közül az Artificial Analysis Intelligence Index az egyik legismertebb, amely több teszt eredményét egyetlen pontszámba sűríti. Ezen a MiMo-V2.6-Pro 46, a StepFun Step 5 Preview 44 pontot kapott, a Xiaomi pedig ebből vezeti le, hogy a modellje az Opus 5 és a GPT-5.6 Sol szintjén van. A csúcsmodellek részletes, üzleti folyamatok szerinti összevetésével külön cikkben foglalkozunk. Itt elég annyi, hogy a kínai nyílt modellek a nyers képességek terén már nem másodosztályú alternatívák, a döntést tehát sokkal inkább a licenc, az adatvédelem és a költség határozza meg.

Mit jelent a „nyílt” egy licencben: MIT, Apache 2.0 vagy kutatási licenc?

A „nyílt” jelző önmagában semmit nem garantál, mert a licenc dönti el, hogy egy letölthető modellt szabad-e pénzkereső termékben használni. Az MIT és az Apache 2.0 licenc kereskedelmi használatot is enged, a kutatási licencek viszont ezt kifejezetten tiltják, az egyedi modellicencek pedig bevételi vagy felhasználószámhoz kötött küszöböket szabhatnak.

Az MIT-licenc a szoftvervilág egyik legrövidebb és legmegengedőbb licence: engedi a használatot, a másolást, a módosítást, a továbbterjesztést és az értékesítést, egyetlen érdemi feltétele, hogy a szerzői jogi közleményt és a licenc szövegét meg kell őrizni a továbbadott példányokban. Cserébe a szerző semmilyen garanciát nem vállal, vagyis ha a modell hibás választ ad, azért a licenc alapján senkit nem lehet felelősségre vonni. Az Apache 2.0 licenc hasonlóan megengedő, emellett kifejezett szabadalmi engedélyt is ad a felhasználónak, cserébe elvárja, hogy a módosított fájlokat jelöld és a licencet add tovább.

A kutatási licenc egészen más műfaj. A Qwen-Image-2.1 a DataNorth szerint a Qwen Research License Agreement alatt jelent meg, amely szerint a modellt külön megállapodás nélkül semmilyen kereskedelmi célra nem lehet használni. A 7 milliárd paraméteres generátorral dolgozó, natív 2K felbontású képmodell tehát szabadon letölthető és kipróbálható, de ha egy cég termékfotókat, hirdetési képeket vagy blogillusztrációkat készít vele, az már a licenc megsértése. A DataNorth azt is kiemeli, hogy a Qwen sem a kereskedelmi licenc feltételeit, sem az árát nem hozta nyilvánosságra, így ez a modell üzleti szempontból inkább beszerzési tárgyalás, mint letöltés.

Az SQ Magazine szerint ez az egyedi licenc például külön engedélyhez köti a modellszolgáltatást (Model-as-a-Service), ha a szolgáltató éves bevétele meghaladja az 50 millió dollárt. Egy magyar KKV ilyen küszöböt nem fog elérni, a példa mégis jól mutatja, hogy egy modellcsaládon belül is többféle feltétel élhet egymás mellett.

Vegyünk egy képzeletbeli szegedi divatwebshopot, amely az új kollekció termékfotóit szeretné AI-jal háttércserélni és variálni. Ha a fejlesztő a Qwen-Image-2.1 modellt választja, mert „nyílt és ingyenes”, a webshop tulajdonosa tudtán kívül licencsértést követ el, amelyből egy későbbi vita esetén kellemetlen helyzet adódhat. Ha ugyanezt egy Apache 2.0 licencű képmodellel teszi, jogilag rendben van. A két eset között a felhasználó oldalán semmi látható különbség nincs, csak egy licencfájl tartalmában.

Hol találod a licencet és mit ellenőrizz benne?

A Hugging Face-en minden modell adatlapján (model card) szerepel egy licencmező, a tárolóban emellett egy LICENSE nevű fájl is. Mindkettőt érdemes megnézni, mert előfordul, hogy a kód és a súlyok eltérő licenc alá esnek, vagy hogy az adatlap kiegészítő felhasználási szabályzatra hivatkozik. Hasznos szokás a letöltés napján elmenteni a licenc szövegét a modell mellé, mert a Qwen-Image példája mutatja, hogy egy család következő verziója már egészen más feltételekkel jelenhet meg. Egy esetleges vitában jól jön, ha bizonyítani tudod, milyen feltételekkel töltötted le a használt változatot.

API vagy saját szerver: mit mond a GDPR a kínai modellekről?

A GDPR nem a modell származását vizsgálja, hanem azt, hová kerül a személyes adat. A hivatalos kínai API-n keresztül az adat Kínába jut, ami megfelelőségi határozat híján csak szigorú garanciákkal lehetne jogszerű, a saját szerveren vagy európai adatközpontban futtatott nyílt súlyú modell viszont egyáltalán nem továbbít adatot harmadik országba.

Ez a különbség adja a kínai nyílt modellek körüli viták lényegét. Ugyanaz a DeepSeek-V4.1-Flash lehet adatvédelmi szempontból problémás és teljesen rendben lévő is, attól függően, hogy a DeepSeek szerverein vagy a saját infrastruktúrádon fut. A modell súlyai ugyanis csak adatfájlok: ha letöltöd őket és a saját gépeden futtatod a modellt, a feldolgozás ott történik, ahol a géped áll, a gyártó pedig semmit nem lát belőle.

Mi a gond a hivatalos kínai API-val?

A MIAI (Multidisciplinary Institute in Artificial Intelligence) összefoglalója szerint a DeepSeek adatvédelmi tájékoztatója kifejezetten kimondja, hogy a felhasználói adatokat, köztük a beírt promptokat is, a Kínai Népköztársaságban lévő szervereken tárolják. Az európai adatvédelmi hatóságok erre gyorsan reagáltak. Az olasz adatvédelmi hatóság (Garante) 2025. január 28-án tájékoztatást kért a cégtől, majd január 30-án azonnali hatállyal letiltotta a DeepSeek alkalmazását, mert a választ elégtelennek találta, a DeepSeek pedig azzal érvelt, hogy rá nem vonatkozik az uniós jog. 2025 februárjában a luxemburgi, a spanyol, a lengyel és a görög hatóság is foglalkozni kezdett az üggyel. Az Európai Adatvédelmi Testület (EDPB) február 12-én bejelentette, hogy a korábbi ChatGPT-munkacsoportját egy általános AI-végrehajtási munkacsoporttá bővíti.

A legerősebb lépést a berlini adatvédelmi biztos, Meike Kamp tette. A TechRadar beszámolója szerint 2025. május 6-án felszólította a DeepSeeket, hogy vagy vonja vissza az alkalmazásait, vagy tegye jogszerűvé az adattovábbítást, majd miután ez nem történt meg, június 27-én a digitális szolgáltatásokról szóló uniós rendelet (DSA) 16. cikke alapján jogellenes tartalomként jelentette az alkalmazást az Apple-nek és a Google-nek. Az indoklás szerint a felhasználói adatok Kínába továbbítása sérti a GDPR 46. cikkének (1) bekezdését, mivel a kínai hatóságok messzemenő hozzáférési jogokkal rendelkeznek a kínai cégek által kezelt személyes adatokhoz. A MIAI szerint az Apple és a Google nem tett eleget a kérésnek, a DeepSeek pedig 2025. május 28-án kijelölte uniós képviselőjét, a bécsi Prighter EU Rep GmbH-t.

A jogi háttér egyszerűbb, mint elsőre tűnik. A GDPR V. fejezete szerint személyes adatot az Európai Unión kívüli országba csak akkor lehet továbbítani, ha az Európai Bizottság megfelelőségi határozatban elismerte az adott ország adatvédelmi szintjét, vagy ha megfelelő garanciák, például az Európai Bizottság által elfogadott általános adatvédelmi kikötések (standard contractual clauses) és egy adattovábbítási hatásvizsgálat biztosítják a védelmet. Kínára nincs megfelelőségi határozat, a hatásvizsgálatnak pedig éppen azt kellene igazolnia, hogy a kínai jogi környezetben az adatok megfelelő védelmet kapnak, amit egy magyar KKV gyakorlatilag nem tud alátámasztani. A felelősség közben a tiéd, hiszen az ügyfeleid személyes adatainak adatkezelője te vagy, nem a modell gyártója.

A MiMo-V2.6-Flash esetében a helyzet kevésbé egyértelmű, de nem megnyugtatóbb. Az OpenRouter adatlapja szerint a modellt jelenleg egyetlen szolgáltató, a Xiaomi szolgálja ki, a kiszolgálás helyéről pedig az oldal nem közöl információt. A mi gyakorlati szabályunk ilyenkor az, hogy ha nem tudod pontosan, melyik országban fut a modell, kezeld úgy, mintha harmadik országba kerülne az adat, vagyis ne küldj rajta keresztül személyes vagy üzleti titoknak minősülő adatot.

Mit változtat a saját szerver vagy az európai adatközpont?

Ha a nyílt súlyú modellt a saját szervereden vagy egy európai adatközpontban bérelt gépen futtatod, a harmadik országba irányuló adattovábbítás kérdése egyszerűen eltűnik. A GDPR többi szabálya ettől még érvényes: kell jogalap az adatkezeléshez, szerepelnie kell a folyamatnak az adatkezelési nyilvántartásban, az ügyfeleket tájékoztatni kell, a szervert pedig megfelelően védeni kell. Bérelt felhőnél adatfeldolgozói szerződést is kötni kell a szolgáltatóval, amerikai felhőszolgáltatónál emellett érdemes ellenőrizni, hogy a cég szerepel-e az EU és az USA közötti adatvédelmi keretrendszer (Data Privacy Framework) tanúsított résztvevői között.

A saját futtatás tehát nem varázsszer, csak áthelyezi a felelősséget oda, ahol egy magyar cég jól tud vele bánni. Egy saját szerveren futó Qwen3.8-27B adatvédelmi szempontból nagyjából úgy viselkedik, mint egy belső könyvelőprogram vagy egy saját üzemeltetésű levelezőszerver. Ha a gép zárt hálózatban van, a naplózás rendben van és a hozzáférések szabályozottak, az ügyféladatok sosem hagyják el az általad ellenőrzött környezetet.

Nem csak a kínai szolgáltatóknál kell figyelni

Igazságtalan volna úgy tenni, mintha adatvédelmi kockázat csak kínai modelleknél létezne. Jó példa erre a francia Mistral, amelynek Vibe nevű szolgáltatásában az ingyenes szinten a felhasználói promptokat alapértelmezésként felhasználják a modellek tanításához. Ebből ki lehet jelentkezni (opt-out), a vállalati és az API-hozzáférés pedig eleve kivétel. Az uniós székhely tehát önmagában nem garancia, bármelyik szolgáltatónál az a döntő, mit írnak a felhasználási feltételek az adatok tárolásáról, felhasználásáról és továbbadásáról.

Mit mond az EU AI Act?

Az Európai Unió mesterségesintelligencia-rendelete (EU AI Act) nem tesz különbséget kínai és nem kínai modellek között, a kötelezettségek a felhasználás módjához igazodnak. Idén augusztus 2-a óta hatályos a rendelet átláthatósági kötelezettsége, amelyet az 50. cikk rögzít: ha az ügyfeleid egy kínai nyílt modellre épülő chatbottal beszélgetnek, ezt jelezned kell nekik. A 2026 májusában tető alá hozott Digital Omnibus megállapodás szerint az önálló, magas kockázatú rendszerekre (például toborzás vagy hitelbírálat) vonatkozó szabályok 2027. december 2-án lépnek életbe. A rendelet KKV-kra vonatkozó részleteit külön cikkben tárgyaljuk, itt annyit érdemes rögzíteni, hogy egy kínai modell választása sem könnyebb, sem nehezebb helyzetet nem teremt az AI Act szempontjából, mint egy amerikaié.

Biztonságos-e egy kínai modellt a saját gépeden futtatni?

A letöltött modellsúlyok önmagukban nem „telefonálnak haza”, a valódi kockázat a köréjük épülő szoftverekben van: a futtatókörnyezetekben, az ügynökökben és a kódolóeszközökben. Zárt hálózatban, frissített eszközökkel és a biztonságos safetensors fájlformátummal egy kínai nyílt modell ugyanúgy kezelhető kockázatú, mint bármely más letöltött szoftverkomponens.

A modellfájl formátuma elsőre technikai részletnek tűnik, pedig az egyik legfontosabb biztonsági kérdés. A régebbi, Python pickle alapú modellfájlok betöltéskor tetszőleges kódot is lefuttathatnak, a safetensors formátum viszont kizárólag számokat (tenzorokat) tárol, így betöltése nem jár kódfuttatással. Hasonló figyelmet érdemel a Hugging Face Transformers könyvtár trust_remote_code beállítása, amely engedélyezi a modelltárolóban lévő Python-kód futtatását, ezt csak akkor szabad bekapcsolni, ha valaki átnézte az adott kódot.

A 2026-os hírek azt mutatják, hogy a kockázat inkább a kiegészítő eszközökben jelentkezik. A DeepSeek sandbox eszközében (a 0.1.1-rc.2 verzióig) a CVE-2026-82533 azonosítójú sérülékenység lehetővé tette, hogy egyetlen shell paranccsal kikapcsolhatók legyenek a futtatási korlátozások, ezért aki ezt használja, frissítsen. A Z.ai ZCode nevű kódolóeszköze pedig csak azután vált nyílt forráskódúvá, hogy kiderült: csendben 313 MB-os munkaterület-archívumokat töltött fel. A Hugging Face is figyelmeztetett arra, hogy a megosztott sandbox kockázatos, ha nem megbízható ügynöki kód fut benne.

Van egy kevésbé technikai szempont is. A 2023-ban hatályba lépett kínai generatív AI-szabályozás a nyilvános szolgáltatásoktól elvárja, hogy tartalmuk igazodjon az állami tartalomszabályokhoz, ezért politikailag érzékeny témákban a kínai modellek válaszai eltérhetnek a nyugati modellekétől. Egy számlakivonatolásnál vagy egy termékleírásnál ennek nincs jelentősége, egy közéleti témájú tartalomgyártásnál viszont igen. A modellsúlyokba épített rejtett viselkedés elvben bármely modellnél elképzelhető, a súlyokat ugyanis kívülről nem lehet teljes körűen átvilágítani, ezért a legjobb védekezés a korlátozott jogosultság és a folyamatos ellenőrzés.

Gyakorlati biztonsági szabályok egy KKV-nak

• A modellt a gyártó hivatalos Hugging Face-szervezeti fiókjából töltsd le (a Xiaomi esetében például a XiaomiMiMo fiókból), ne ismeretlen újracsomagolásokból.
• Ahol elérhető, a safetensors formátumú súlyokat válaszd, a trust_remote_code beállítást pedig csak átnézett kódnál kapcsold be.
• A modellt futtató szervert tedd elkülönített hálózatba vagy konténerbe, kimenő internetkapcsolat nélkül, így egy esetleges rejtett viselkedés sem tud adatot kijuttatni.
• Az ügynököknek csak a feladathoz szükséges minimális jogosultságot add, pénzügyi vagy ügyféladatot módosító lépés előtt pedig kérj emberi jóváhagyást.
• A futtatókörnyezetet (például vLLM vagy SGLang) és minden kiegészítő eszközt tarts naprakészen, a verziókat pedig rögzítsd, hogy egy frissítés ne változtasson meg észrevétlenül semmit.

Mennyibe kerül a saját futtatás?

A nagy kínai modellek saját futtatása havi több millió forintos tétel: saját becslésünk szerint egy 8 darab H100-as GPU-t tartalmazó bérelt szerver a Lambda listaárán havonta nagyjából 7,5 millió Ft. Egy kisebb, 27 milliárd paraméteres modell ezzel szemben egyetlen GPU-n is elfut, ami csak munkaidőben bérelve havonta nagyjából 280 ezer Ft.

A számításokhoz a 2026. szeptember 21-i árfolyamot vesszük alapul, amikor 1 dollár nagyjából 317 Ft volt, az egyszerűség kedvéért kerekített 320 Ft-os dollárárfolyammal számolunk. A GPU-árakat a Lambda felhőszolgáltató nyilvános listaárából vesszük: egy 80 GB memóriájú NVIDIA H100 SXM óradíja 3,99 dollár, egy 180 GB-os NVIDIA B200 óradíja 6,69 dollár, egy hónapot pedig 730 órával számolunk.

Mennyi memória kell egy modellnek?

A memóriaigény becslésének ökölszabálya egyszerű: a paraméterek számát megszorozzuk azzal, hány bájton tároljuk egy-egy paramétert. 16 bites pontosságnál ez 2 bájt, 8 bitesnél (FP8) 1 bájt, 4 bitesnél fél bájt, amihez hozzá kell adni a KV-gyorsítótár és a futtatókörnyezet igényét. A kvantálás a súlyok kisebb pontosságú számokká alakítása, amely a memóriaigényt a felére vagy a negyedére csökkenti, cserébe kisebb minőségromlással járhat, ezért a tömörített változatot mindig a saját feladataidon kell tesztelni.

A MiMo-V2.6-Flash esetében az OrcaRouter szerint a hivatalos vLLM-recept 8 GPU-s tenzorpárhuzamossággal számol, SGLang futtatókörnyezetnél ennél több GPU-val, a táblázatban a kisebbik konfigurációt vettük alapul. A DeepSeek-V4.1-Flash-hez a gyártó nem közölt hardverkövetelményt, ezért azt feltételeztük, hogy a súlyok 8 bites pontosságban futnak és a kis KV-gyorsítótár miatt kevés tartalék is elég. A Qwen3.8-27B 4 bitre tömörítve nagyjából 13,5 GB, így elvben egy 24 GB-os videokártyával szerelt munkaállomáson is elfut, hosszú kontextusnál viszont ez már szűkös lehet.

Bérlés vagy vásárlás?

Ha valaki a saját szervertermében gondolkodik, a vételár kijózanító. Az IntuitionLabs 2026. szeptember 14-én frissített összesítése szerint egyetlen H100 kártya 25 000 és 40 000 dollár között kapható, egy teljesen felszerelt, 8 darab H100-as szerverlap nagyjából 216 000 dollár, egy komplett, 8 darab B200-as HGX-rendszer pedig 500 000 dollár fölött van. Kerekített 320 Ft-os árfolyammal a 8 darab H100-as szerver 69 millió Ft, amely három évre elosztva havi 1,92 millió Ft értékcsökkenést jelent. Ebben még nincs benne az áramszámla, a hűtés, a szerverterem és az üzemeltető szakember munkája.

Egy 5 és 50 fő közötti magyar cégnél ez a nagyságrend szinte sosem indokolt. Vásárlásnak legfeljebb a kisebb modelleknél van értelme, ahol egyetlen, jól megválasztott munkaállomás vagy szerver hosszú évekig kiszolgálja a belső felhasználást. A nagy MoE-modelleknél a bérlés vagy még inkább az API az ésszerű út.

Mikor olcsóbb a saját szerver, mint az API?

A válasz röviden: nagyon nagy forgalomnál, vagy akkor, ha az adat semmiképp nem hagyhatja el a céget. Vegyünk egy képzeletbeli debreceni webshopot, amely havonta 3 000 termékleírást generál vagy frissít, darabonként nagyjából 800 bemeneti és 500 kimeneti tokennel. Ez havonta 2,4 millió bemeneti és 1,5 millió kimeneti tokent jelent. A költség modellenként így alakul (saját becslés, kerekített 320 Ft-os árfolyammal):

A kínai modellek API-n tehát nevetségesen olcsók, a nyugati csúcsmodellnél akár százszor kedvezőbbek. Ugyanez a feladat saját szerveren, a DeepSeek modelljével havi 6,25 millió Ft volna, ami közel nyolcezerszerese az API-költségnek. Hogy mikor fordul a mérleg, azt egy egyszerű fedezeti számítással becsülhetjük meg. Ha a bemeneti és a kimeneti tokenek aránya 3:1, a DeepSeek csúcsidős átlagára millió tokenenként 0,525 dollár, így a 8 darab H100-as szerver havi 23 301,6 dolláros bérleti díjából nagyjából 44 milliárd token dolgozható fel az API-n. A webshopunk havi 3,9 millió tokenje ennek alig tizenegyezred része.

A következtetés egyértelmű: kínai nyílt modellt egy KKV nem azért futtat a saját szerverén, mert az olcsóbb, hanem azért, mert az adat nem mehet ki a cégből, vagy mert a modellt a saját adataival finomhangolni szeretné. Ha a feldolgozott adat nem személyes és nem üzleti titok, a kínai API vagy egy megbízható közvetítő költségben verhetetlen. Ha viszont érzékeny adatról van szó, a reális út egy kisebb, egyetlen GPU-n futó modell, a nagy MoE-modellek saját futtatása pedig csak havi több tízmilliárd tokenes forgalom mellett kezd megtérülni. A tokenalapú árazás részleteiről és a feladatonkénti költségekről külön ártáblázatban írunk részletesen.

A rejtett költségek

A GPU bérleti díja csak a jéghegy csúcsa. Egy saját üzemeltetésű AI-szervert telepíteni, frissíteni, felügyelni és menteni kell, a futtatókörnyezetet (például a vLLM-et) be kell hangolni, a modellverziókat követni kell, a biztonsági javításokat a hét minden napján figyelni kell. Tapasztalatunk szerint egy ilyen rendszer rendszeres szakértői gondozást igényel, amelynek díja egy kisebb modellnél akár a GPU-bérlés nagyságrendjébe is eshet. Ezt a tételt sok cég elfelejti beárazni, pedig ezen múlik, hogy fél év múlva is megbízhatóan működik-e a rendszer.

Mire használhat egy magyar KKV kínai nyílt modellt?

Egy magyar KKV-nak a kínai nyílt modellek két helyzetben hoznak valódi előnyt: egyrészt a nem személyes, nem bizalmas adatok tömeges feldolgozásában olcsó API-n keresztül, másrészt az érzékeny belső dokumentumok kezelésében egy saját szerveren futó kisebb modellel. A kettő között húzódó szürke zónában óvatosnak kell lenni.

Az első csoportba tartozik a korábbi példánk, a képzeletbeli debreceni webshop termékleírás-gyára, de ide sorolható a nyilvános versenytársi árak összefoglalása, a blogtémák ötletelése vagy a publikus termékkatalógus fordítása is. Ezek az adatok egyébként is nyilvánosak, így a kínai API ára mellett alig van ellenérv. Egy kecskeméti asztalosüzem ugyanakkor már a határon mozog, ha a beszerzési árait és árréseit is beküldi a modellnek egy árajánlat-sablon elkészítéséhez, mert ezek üzleti titoknak számítanak, amelyeket érdemes ugyanúgy védeni, mint a személyes adatokat.

A második csoportba vegyünk egy budapesti könyvelőirodát, amelynek naponta kell rendszereznie az ügyfelei bérpapírjait, szerződéseit és bankkivonatait. Egy belső szerveren futó Qwen3.8-27B képes a beérkező levelek témák szerinti osztályozására, a szerződések összefoglalására vagy egy belső tudásbázisra épülő kérdezz-felelek rendszer kiszolgálására úgy, hogy egyetlen ügyféladat sem hagyja el az iroda hálózatát. A modell multimodális, így beszkennelt dokumentumokat is értelmez, bár a NAV Online Számla rendszerből érkező, eleve strukturált számlaadatokhoz nincs szükség nyelvi modellre, ott egy klasszikus integráció megbízhatóbb.

A hosszú, 1 millió tokenes kontextus a jogi és pályázati munkában jöhet jól, ahol egy teljes szerződésállományt vagy egy mellékletekkel teli tenderanyagot kell egyben átlátni. Ilyen dokumentumok jellemzően bizalmasak, tehát csak saját futtatásban vagy megbízható európai kiszolgálón jöhetnek szóba.

Melyik utat válaszd: hivatalos API, közvetítő, bérelt GPU vagy saját gép?

A választás az adat érzékenységén és a feladat volumenén múlik. Nyilvános adatokra a hivatalos API vagy egy közvetítő a legolcsóbb, személyes adatokra a bérelt európai GPU vagy a saját gép a biztonságos út, míg a nagy modellek saját futtatása csak nagyon nagy forgalomnál indokolt.

Az egyes utakat kombinálni is lehet. Egy jól megtervezett rendszerben a nyilvános adatokkal dolgozó feladatok az olcsó API-ra mennek, az ügyféladatot tartalmazó kérések pedig automatikusan a belső modellhez kerülnek, így a cég mindkét világ előnyeit élvezi. Egy ilyen útválasztó logika egy workflow-automatizációs eszközben, például az n8n-ben néhány nap alatt felépíthető.

Hogyan próbálj ki egy kínai nyílt modellt lépésről lépésre?

Egy kínai nyílt modell kipróbálása egy KKV-nál nagyjából négy és hat hét között elvégezhető, ha a lépéseket a jogi ellenőrzéssel kezded és a saját feladataidon mért eredménnyel zárod. Az alábbi sorrend azt a célt szolgálja, hogy a próba közben se kerüljön érzékeny adat rossz helyre.

• Válassz ki egy konkrét feladatot. Olyat keress, amely gyakran ismétlődik, jól ellenőrizhető és jelenleg is mérhető, például a beérkező ajánlatkérések osztályozását vagy a termékleírások megírását.
• Osztályozd a feladat adatait. Döntsd el, hogy nyilvános, belső, üzleti titoknak minősülő vagy személyes adatokkal dolgozik-e a folyamat, mert ez határozza meg, hogy API-n vagy csak saját futtatásban próbálhatod ki.
• Ellenőrizd a licencet. Nyisd meg a modell Hugging Face-adatlapját és a LICENSE fájlt, nézd meg, engedi-e a kereskedelmi használatot, majd mentsd el a licenc szövegét a letöltés dátumával együtt.
• Állíts össze egy tesztcsomagot. Gyűjts 50 és 100 közötti valódi, anonimizált példát a feladatból, mellé a helyes vagy elfogadható választ, így a modellek eredménye számszerűen összevethető lesz.
• Futtasd a tesztet biztonságos környezetben. Nyilvános adatoknál elég a közvetítő API, érzékeny adatoknál egy elkülönített, kimenő internetkapcsolat nélküli bérelt GPU vagy saját gép, a safetensors formátumú súlyokkal.
• Hasonlítsd össze a jelenlegi megoldással. Mérd a pontosságot, a magyar nyelvi minőséget, a válaszidőt és a feladatonkénti költséget a mostani modelleddel szemben, ne csak benyomás alapján dönts.
• Dokumentáld az adatkezelést. Vedd fel a folyamatot az adatkezelési nyilvántartásba, frissítsd az ügyféltájékoztatót, ügyfeleknek szóló chatbotnál pedig jelezd az AI használatát az EU AI Act szerint.
• Indulj el kicsiben és mérj 30 napig. Egyetlen csapattal vagy folyamattal indulj, a hónap végén pedig a mért számok alapján döntsd el, hogy kiterjeszted, módosítod vagy leállítod a próbát.

Mikor nem ajánljuk a kínai nyílt modelleket?

Nem ajánljuk őket, ha személyes vagy bizalmas adatot a hivatalos kínai API-n keresztül dolgoznál fel, ha a modell licence nem egyértelműen engedi a kereskedelmi használatot, illetve ha nincs, aki a saját szervert szakszerűen üzemeltesse. Kis forgalomnál a nagy modellek saját futtatása sem éri meg.

A tipikus helyzetek, amikor inkább más megoldást javaslunk:

• Ügyféladat a hivatalos kínai API-n. Az olasz és a berlini hatóság fellépése után ez olyan kockázat, amelyet egy KKV nem tud megalapozott adattovábbítási hatásvizsgálattal kezelni.
• Tisztázatlan vagy kutatási licenc. A Qwen-Image-2.1 típusú modellek kereskedelmi célra nem használhatók, a vitatott licencű modelleknél pedig a jogi bizonytalanság többe kerülhet, mint amennyit a modellen spórolsz.
• Nincs üzemeltetési kapacitás. Ha senki nem felel a szerver frissítéséért és felügyeletéért, a saját futtatás biztonsági kockázata nagyobb lehet, mint egy megbízható, európai adatkezelésű kereskedelmi szolgáltatásé.
• Kis volumen, nagy modell. Havi néhány ezer kérésnél egy több milliós havidíjú GPU-szerver soha nem térül meg, ilyenkor a kisebb modell vagy az API a jó válasz.
• Szerződéses vagy ágazati tiltás. Ha egy nagyvállalati partnered, egy pályázat vagy egy ágazati előírás csak uniós feldolgozást enged, vagy konkrét szolgáltatói garanciákat és támogatást követel meg, egy nyílt modell mögött nincs olyan szerződő fél, aki ezt vállalná.
• Magas kockázatú felhasználás. Toborzásnál, hitelbírálatnál vagy más, az EU AI Act szerint magas kockázatú területen a dokumentációs és felügyeleti terhek bármely modellnél jelentősek, egy átláthatatlan tanítású modellnél pedig ezeket még nehezebb teljesíteni.
• Közéleti vagy politikai tartalom. Olyan tartalomgyártásnál, ahol a kínai tartalomszabályozás nyomai torzíthatják a választ, alapos tesztelés nélkül ne használd őket.

Mire számíthatsz a következő hónapokban?

A kínai modellek kiadási üteme nem lassul, ezért egy most meghozott döntést negyedévente érdemes felülvizsgálni. A StepFun a Step 5 nyílt súlyait október 15-re ígérte. Az Alibaba egy 5 és 10 billió paraméter közötti modellt tervez, saját Zhenwu V900 chipjének tömeggyártását pedig 2027 első negyedévére ütemezte.

Európai oldalon az EU AI Act következő fontos dátuma a már piacon lévő rendszerek vízjelezésére vonatkozó türelmi idő vége december 2-án. Aki most a saját feladatain felépít egy tesztcsomagot, az a következő modellgenerációt is napok alatt össze tudja mérni a jelenlegivel, ami a legjobb védekezés a hírek zajával szemben.

Miben segít a Convergo?

Ha kínai nyílt modellt vagy bármilyen saját futtatású AI-t fontolgatsz, AI-felmérés, stratégia és oktatás szolgáltatásunkban közösen kiválasztjuk azt a folyamatot, ahol valóban megtérülhet, majd a saját adataidon mérjük le a jelöltek teljesítményét. IT audit és digitális tanácsadás keretében átnézzük az adatkezelési, licenc- és biztonsági kockázatokat, mielőtt bármilyen ügyféladat a rendszerbe kerülne. Egyedi AI-integrációval a nyilvános adatokat az olcsó API-ra, az érzékenyeket egy saját szerveren futó modellhez irányítjuk, erre a belső dokumentumaidra épülő tudásbázis-alapú chatbot is ráépülhet. Az első lépés egy ingyenes egyeztetés, ahol megnézzük, melyik út illik a cégedhez.