Affaires et Marché 🇷🇺 13.08.2026 13:03

La consommation de modèles de langue chinois en Russie explose

Moonshot AIMoonshot AI Alibaba/QwenAlibaba/Qwen Google/DeepMindGoogle/DeepMind
Le fournisseur de cloud MWS Cloud, filiale de MTS Web Services, a rapporté que la consommation des grands modèles de langue chinois par les entreprises russes a plus que doublé au premier semestre 2026 par rapport à l'ensemble de l'année 2025. Les familles de modèles les plus populaires étaient Qwen, GLM et Kimi. Le marché russe du cloud LLM devrait atteindre près de 1,5 milliard de roubles en 2026.
MWS Cloud, filiale de MTS Web Services, a analysé la consommation de grands modèles de langage chinois par les entreprises russes, en s'appuyant sur les données de ses plateformes MWS GPT Model Hub et MWS GPT. Au premier semestre 2026, le volume de consommation a dépassé 400 milliards de jetons, soit une multiplication par 11,3 par rapport aux 39,1 milliards de jetons consommés sur l'ensemble de 2025. Les familles de modèles les plus demandées étaient Qwen, GLM et Kimi. Les grandes entreprises sont les principales utilisatrices, appliquant les grands modèles de langage pour automatiser l'interaction client via des chatbots assurant un support 24h/24 et 7j/7, générer du contenu marketing personnalisé et analyser le sentiment des retours. Le marché global russe des grands modèles de langage devrait croître de 35 % en 2026 pour atteindre environ 19,6 milliards de roubles, avec le segment du cloud approchant les 1,5 milliard de roubles. En réponse à cette demande croissante, MWS Cloud a élargi son catalogue MWS GPT Model Hub à 17 modèles, en ajoutant GLM 5.2, le grand modèle de langage open source de Z.AI, qui a été désigné meilleur grand modèle de langage pour les tâches agentiques par MWS AI, devenant ainsi la première entreprise en Russie à héberger un tel modèle dans son cloud. Parmi les autres nouvelles entrées figurent Kimi K2.6, Qwen3.6, Gemma 4, GPT OSS, ainsi que des modèles de reconnaissance vocale (ASR) et de synthèse vocale (TTS) et des rerankers pour améliorer les pipelines de recherche et de génération augmentée par récupération (RAG). Tous les modèles sont accessibles via une API unifiée compatible OpenAI, simplifiant l'intégration et le passage de l'un à l'autre.
Source: CNews — original
Nos articles précédents sur ce sujet ↓
Infos fraîches