Czeski startup BottleCap pokazuje, jak ograniczyć koszt działania AI

Wyścig w AI coraz częściej dotyczy nie tylko jakości modeli, ale także tego, ile zasobów trzeba zużyć, aby uzyskać dobrą odpowiedź.

Czeski startup BottleCap AI, założony m.in. przez Tomáša Mikolova i Jaroslava Becka, udostępnił drugi model z serii ThinkingCap. ThinkingCap-Qwen3.8-27B jest zmodyfikowaną wersją najnowszego 27-miliardowego modelu Qwen3.8 rozwijanego przez Alibaba. Sam Qwen został zaprojektowany m.in. z myślą o zadaniach agentowych, programowaniu i regulowanej głębokości „myślenia”.

BottleCap próbuje ograniczyć właśnie ten ostatni element. Według testów firmy ThinkingCap wykorzystuje średnio o 37,2 proc. mniej tokenów przeznaczonych na rozumowanie niż bazowy Qwen3.8-27B, przy spadku średniej dokładności z 86,6 do 85,8 proc. W zależności od benchmarku redukcja liczby tokenów wynosi od 11 do 66 proc. W testach długiego kontekstu jakość choćby nieznacznie wzrosła.

To istotny kierunek rozwoju AI. Przy podobnych możliwościach modeli coraz większego znaczenia nabierają koszt inferencji, szybkość działania i wymagania sprzętowe. Stanford AI Index 2026 wskazuje, iż wyniki czołowych modeli coraz bardziej się do siebie zbliżają, przesuwając konkurencję właśnie w stronę kosztów, niezawodności i zastosowań specjalistycznych.

Jeżeli wyniki BottleCap potwierdzą się w rzeczywistych wdrożeniach, krótsze procesy rozumowania mogą oznaczać niższe koszty obsługi aplikacji AI oraz szybsze odpowiedzi przy dużej skali.

Model jest dostępny na Hugging Face, również w wersjach GGUF, FP8 i NVFP4. BottleCap udostępnia go jednak na własnych warunkach licencyjnych dla małych firm i zastosowań osobistych; zastosowania komercyjne mogą wymagać odrębnej licencji.