Nel giro di pochi giorni, tra il 20 e il 24 aprile 2026, tre laboratori cinesi hanno rilasciato altrettanti modelli di punta: Kimi K2.6 di Moonshot AI, Qwen3.6-Max-Preview di Alibaba e DeepSeek V4 di DeepSeek AI. Per chi segue l’AI generativa, un confronto tra questi modelli cinesi è quasi obbligato, perché insieme spostano l’asticella dei modelli a pesi aperti. Qui vediamo cosa li distingue, dove conviene ciascuno e — punto delicato per chi lavora in Italia — la questione della censura e dei dati.
Premessa sul metodo: non abbiamo eseguito test nostri. I numeri citati vengono da benchmark pubblicati dai laboratori o da fonti indipendenti, e ogni volta dico chi li ha prodotti.
| Strumento | Punto di forza | Sceglilo se… |
|---|---|---|
| DeepSeek V4 | Ragionamento forte a costi molto bassi; pesi aperti | Vuoi qualità alta a costo minimo, anche in self-hosting |
| Qwen | Famiglia ampia e multilingua, buona resa generale (Alibaba) | Ti servono tante taglie di modello e supporto multilingua |
| Kimi | Contesto molto lungo, forte su documenti | Lavori con testi lunghissimi e archivi |
Chi sono e quando sono usciti
Kimi K2.6 di Moonshot AI è arrivato per primo, il 20 aprile. È un modello enorme sulla carta — mille miliardi di parametri complessivi, ma con solo una parte attiva a ogni passaggio, un’architettura detta “mixture-of-experts” che tiene bassi i costi di esecuzione. Il suo tratto distintivo è la capacità di lavorare a lungo in autonomia e di coordinare tanti agenti in parallelo.
Qwen3.6-Max-Preview di Alibaba è uscito quasi in contemporanea, il 21 aprile. È la versione più grande e potente della famiglia Qwen, distribuita in anteprima. Alibaba, oltre al modello grande, pubblica anche varianti più piccole pensate per girare su hardware modesto.
DeepSeek V4 di DeepSeek AI ha chiuso l’ondata il 24 aprile. DeepSeek si è fatta un nome negli anni con modelli forti a prezzi molto bassi, e V4 prosegue su questa linea, con un’attenzione particolare al codice e ai contesti molto lunghi.
Il contesto della gara
Che tre modelli di punta escano nel giro di quattro giorni non è un caso. La capacità di lavorare a lungo in autonomia — restare “sul pezzo” per ore senza che una persona debba controllare a ogni passo — è diventata il vero terreno di competizione dalla fine del 2025. Kimi, nella sua prima versione uscita a metà 2025, è stato tra i primi modelli a pesi aperti a puntare sull’uso degli strumenti in modo agentico, e la famiglia è stata aggiornata ogni pochi mesi con l’obiettivo dichiarato di allungare la durata dei compiti autonomi. Qwen e DeepSeek hanno seguito la stessa direzione. L’uscita ravvicinata di aprile 2026 è la fotografia di una rincorsa reciproca: ogni laboratorio pubblica appena può per non restare indietro rispetto agli altri due.
Le differenze tecniche
La prima differenza pratica è la memoria di lavoro, cioè quanto testo il modello tiene in una singola conversazione. Secondo i confronti pubblicati, DeepSeek V4 spinge molto su questo fronte, con una finestra di contesto tra le più ampie della categoria: utile a chi deve dare in pasto interi progetti o archivi di documenti in un colpo solo. Kimi K2.6 lavora su una finestra più contenuta (circa 256.000 token, dove un token è più o meno una breve parola), che per la maggior parte degli usi resta comunque generosa.
La seconda differenza è come i modelli affrontano i compiti lunghi. Kimi K2.6 introduce una modalità a “sciame di agenti”: un agente coordinatore spezza il compito in sottocompiti e crea fino a centinaia di agenti in parallelo che collaborano, riassegnando il lavoro quando uno si blocca (Moonshot AI, scheda Kimi K2.6). È una scelta di ingegneria diversa dal semplice “modello più bravo”: punta a risolvere problemi difficili dividendoli.
I benchmark, e la fonte
Sul piano dei punteggi, il riferimento più usato è l’Intelligence Index di Artificial Analysis, un laboratorio indipendente che compone dieci prove su compiti economicamente utili in un solo numero. Su quella classifica, Kimi K2.6 impostato sul ragionamento guida i modelli a pesi aperti, con Qwen3.6 in anteprima e DeepSeek V4 subito dietro, appaiati (Artificial Analysis Intelligence Index).
Le differenze cambiano a seconda del compito. Su una compilazione di prove di programmazione pubblicata a fine aprile, DeepSeek V4 risulta particolarmente forte sul codice algoritmico puro, mentre Kimi tende a primeggiare sui compiti che richiedono ragionamenti lunghi e uso di strumenti (AkitaOnRails, 24 aprile 2026). La lettura onesta è che tra i tre non c’è un vincitore assoluto: c’è chi va meglio sul ragionamento, chi sul codice, chi sui costi.
Pesi aperti o API: la differenza pratica
Qui sta una distinzione che conta più di molti punteggi. “Pesi aperti” vuol dire che il file del modello è scaricabile e puoi eseguirlo sui tuoi server; “solo API” vuol dire che puoi usarlo solo collegandoti ai server del fornitore.
Kimi K2.6 pubblica i pesi su Hugging Face con una licenza tipo MIT modificata, che consente l’uso commerciale con attribuzione e pone condizioni particolari solo ai prodotti molto grandi (oltre 100 milioni di utenti mensili o oltre 20 milioni di dollari di ricavi al mese). Come servizio, l’API di Moonshot ha un listino in dollari intorno a 0,95 per milione di token in ingresso e 4,00 in uscita: con un cambio indicativo di circa 0,92 euro per dollaro, si parla di circa 0,87 e 3,70 euro per milione di token, cifre basse (Moonshot AI).
DeepSeek pubblica anch’essa i pesi e resta fedele alla sua politica di prezzi aggressivi sull’API. Alibaba, con Qwen, apre i pesi delle versioni più piccole — una in particolare tiene solo tre miliardi di parametri attivi e gira su una singola scheda grafica di fascia alta con la giusta compressione — mentre la variante “Max” di punta è distribuita in anteprima. Per chi vuole controllo totale e costi prevedibili, la possibilità di eseguire il modello in casa è il vero vantaggio di questa ondata.
Le licenze, in dettaglio
La parola “aperto” nasconde sfumature che contano quando si va in produzione. La licenza di Kimi K2.6 è di tipo MIT modificato: molto permissiva, consente l’uso commerciale con attribuzione e riserva condizioni particolari solo ai prodotti di grandissime dimensioni. Le famiglie Qwen e DeepSeek hanno storicamente usato licenze permissive per i loro modelli aperti, che consentono anche l’uso commerciale.
Il consiglio pratico è di non fidarsi dell’etichetta “open” e di leggere il testo della licenza del modello specifico prima di costruirci sopra un prodotto: cambia da versione a versione, e alcune pongono limiti su settori o su usi particolari. È una lettura di dieci minuti che evita problemi legali molto più costosi in seguito. Se avete un ufficio legale, questo è il momento di coinvolgerlo, non dopo aver messo il modello in produzione.
Censura e dati: il nodo per chi è in Italia
Questo è il punto su cui invito alla prudenza. I modelli cinesi, come quelli occidentali, hanno filtri sui contenuti; nel caso cinese questi filtri sono allineati alle regole del loro paese, e su alcuni temi politici sensibili le risposte sono reticenti o assenti. Per un uso aziendale ordinario — scrivere codice, riassumere documenti, analizzare dati — di solito non è un problema. Diventa un problema se il vostro lavoro tocca proprio quei temi.
Il nodo più concreto per un’azienda in Italia è il dato. Se usate l’API ospitata dal fornitore, il vostro testo viaggia verso server in Cina, con tutte le implicazioni che questo ha sotto il GDPR, il regolamento europeo sulla protezione dei dati. La via d’uscita, ed è il motivo per cui i pesi aperti contano tanto qui da noi, è eseguire i
