Qwen, wagi otwarte i licencje liczone per model

Qwen: wagi otwarte, DashScope i licencje liczone per model

Qwen to rodzina modeli językowych Alibaby, która trafia do użytkownika trzema kanałami naraz: jako wagi na Hugging Face, jako płatne API w usłudze Model Studio i jako biblioteki w PyPI. Każdy kanał ma inne warunki prawne i inne pułapki, więc opłaca się je rozdzielić, zanim ktoś w zespole powie, że Qwen jest na Apache 2.0.

Trzy rzeczy, które nazywają się Qwen

Pierwsza to organizacja Qwen na Hugging Face i leżące w niej wagi. Rodzina jest szeroka pod względem rozmiarów i zastosowań. Po stronie tekstu najświeższe pozycje to Qwen/Qwen3.8-27B z 14 sierpnia 2026 roku oraz Qwen/Qwen3.8-2.4T-A95B z 12 sierpnia 2026 roku, a obok nich starsze, ale wciąż mocno pobierane Qwen/Qwen3.6-35B-A3B i Qwen/Qwen3.5-397B-A17B. Osobno stoją warianty do kodu (Qwen/Qwen3-Coder-Next, Qwen/Qwen3-Coder-30B-A3B-Instruct), warianty wielomodalne (Qwen/Qwen3-VL-235B-A22B-Instruct, Qwen/Qwen3-VL-8B-Thinking), modele osadzeń i przestawiania wyników (Qwen/Qwen3-Embedding-0.6B, Qwen/Qwen3-Reranker-4B) oraz rozpoznawanie mowy (Qwen/Qwen3-ASR-1.7B-hf). To jest realna przewaga tej rodziny nad konkurencją: jeden dostawca pokrywa tekst, kod, obraz, osadzenia i mowę, a nie tylko czat.

Rozpiętość rozmiarów też jest prawdziwa, a nie marketingowa. Qwen/Qwen3.5-0.8B zmieści się na laptopie, Qwen/Qwen3.8-27B na jednej karcie z odpowiednią ilością pamięci, a Qwen/Qwen3.8-2.4T-A95B wymaga klastra. Plik config.json tego ostatniego podaje num_hidden_layers równe 92, hidden_size równe 8192, num_experts równe 512 przy num_experts_per_tok równym 10, max_position_embeddings równe 262144 i vocab_size równe 248320. Warto zwrócić uwagę na jedno: model_type w Qwen/Qwen3.8-27B to qwen3_5, czyli architektura nie zmieniła się od wydania 3.5, mimo że numer w nazwie poszedł do przodu. Numer w nazwie modelu opisuje wydanie, nie architekturę.

Druga rzecz to API. Alibaba wystawia modele przez usługę historycznie nazywaną DashScope, dziś występującą w dokumentacji jako Alibaba Cloud Model Studio. Nazwa DashScope została w SDK, w zmiennych środowiskowych i w części adresów, więc oba terminy spotkasz w tym samym projekcie.

Trzecia rzecz to pakiety. dashscope w PyPI ma wersję 1.27.1 wydaną 21 sierpnia 2026 roku, a qwen-agent wersję 0.0.34 z 16 lutego 2026 roku. To dwa różne byty: pierwszy to klient usługi, drugi to framework agentowy, który dopiero pod spodem woła model.

Wagi otwarte: licencja jest polem w karcie modelu

Najczęstszy błąd przy tej rodzinie polega na przyjęciu, że skoro jeden model jest na Apache 2.0, to cała rodzina też. Nie jest. Licencja to pole w karcie konkretnego repozytorium i trzeba je sprawdzić dla każdego modelu, który realnie pobierasz.

Ostatni wiersz jest ciekawy z innego powodu niż pozostałe. Karta modelu deklaruje licencję własną o nazwie qwen i podaje odnośnik do pliku LICENSE w repozytorium, ale pobrany plik zawiera pełny, niezmieniony tekst Apache 2.0. Metadane i plik mówią co innego. Przy modelach badawczych z serii SAE to raczej niedopatrzenie niż zamiar, ale pokazuje, dlaczego samo pole w karcie nie wystarcza.

Największy otwarty model rodziny ma licencję własną i trzeba ją przeczytać. Qwen3.8-Max License zaczyna się jak MIT: pozwala używać, kopiować, modyfikować, publikować, rozpowszechniać, sublicencjonować, sprzedawać, wdrażać, hostować i dostrajać wagi. Potem dokłada dwa warunki. Pierwszy: jeśli produkt komercyjny oparty na tych wagach ma ponad 100 000 000 aktywnych użytkowników miesięcznie albo ponad 20 000 000 dolarów przychodu miesięcznie, nazwa modelu musi być widocznie wyświetlona w interfejsie. Drugi: jeśli licencjobiorca prowadzi działalność typu Model as a Service albo AI Work Assistant, a łączny przychód jego i podmiotów powiązanych przekroczy 50 000 000 dolarów w dowolnych kolejnych dwunastu miesiącach, przed komercyjnym użyciem trzeba uzyskać osobną licencję od Qwen. Licencja definiuje oba pojęcia: Model as a Service to udostępnianie stronie trzeciej inferencji lub dostrajania w sposób pozwalający jej sterować wejściem, parametrami lub danymi treningowymi, a AI Work Assistant to samodzielny produkt do wspomaganego kodowania lub pracy biurowej, z wprost wymienionymi przykładami Qoder i QwenWork. Wyłączenie dla użytku wewnętrznego istnieje, ale przestaje działać, gdy udostępniasz stronie trzeciej model, jego wyniki lub jego możliwości.

Dla większości zespołów żaden z tych progów nie ma znaczenia. Dla dostawcy platformy AI ma, i to jest dokładnie ta różnica, którą trzeba pokazać działowi prawnemu, zamiast pisać w dokumentacji „model otwartoźródłowy". Osobna kategoria to modele oznaczone jako qwen-research. Qwen RESEARCH LICENSE AGREEMENT z 19 września 2024 roku przyznaje prawa wyłącznie do celów niekomercyjnych, definiowanych jako badania lub ewaluacja, i wprost wymaga wystąpienia o licencję przy użyciu komercyjnym. Wpadka polega na tym, że taki model potrafi stać w tej samej serii co model na Apache 2.0: Qwen/Qwen2.5-Coder-3B-Instruct jest badawczy, a leżący obok Qwen/Qwen2.5-Coder-7B-Instruct jest na Apache 2.0.

Sprawdzenie zajmuje kilkanaście sekund i warto je wpiąć w skrypt pobierania wag. Tekst licencji największego modelu leży w jego repozytorium na Hugging Face.

# pole w karcie modelu
curl -s https://huggingface.co/api/models/Qwen/Qwen3.8-2.4T-A95B \
  | python3 -c "import json,sys;c=json.load(sys.stdin)['cardData'];print(c.get('license'),c.get('license_name'))"

# rzeczywista tresc pliku licencyjnego w repozytorium
curl -sL https://huggingface.co/Qwen/Qwen3.8-2.4T-A95B/raw/main/LICENSE | head -3

DashScope i Model Studio: który adres, który region

API ma trzy powierzchnie: natywną DashScope pod /api/v1, zgodną z OpenAI pod /compatible-mode/v1 i zgodną z Anthropic pod /apps/anthropic. Ta druga jest najczęstszą drogą integracji, bo pozwala użyć zwykłego klienta OpenAI i podmienić tylko base_url.

Region ma znaczenie i jest to najważniejsza informacja praktyczna w tym artykule. Dokumentacja modeli rekomendowanych, w wersji z 11 sierpnia 2026 roku, podaje adresy w formacie https://{WorkspaceId}.<region>.maas.aliyuncs.com/compatible-mode/v1 i wymienia sześć regionów: cn-beijing, cn-hongkong, ap-southeast-1 (Singapur), ap-northeast-1 (Tokio), eu-central-1 (Frankfurt) i us-east-1 (Wirginia). Nie każdy model jest wszędzie. qwen3.8-max figuruje we wszystkich sześciu, ale kimi-k2.7-code i MiniMax-M2.5 tylko w Pekinie, a ZHIPU/GLM-5.2 tylko w Singapurze.

Tu pojawia się rozjazd, na który łatwo wpaść. SDK dashscope w wersji 1.27.1 domyślnie celuje w Chiny: dashscope/common/env.py ustawia api_region na cn-beijing i buduje adresy https://dashscope.aliyuncs.com/api/v1, wss://dashscope.aliyuncs.com/api-ws/v1/inference oraz https://dashscope.aliyuncs.com/compatible-mode/v1. Nadpisujesz je zmiennymi DASHSCOPE_HTTP_BASE_URL, DASHSCOPE_WEBSOCKET_BASE_URL i DASHSCOPE_COMPATIBLE_BASE_URL. Klucz czytany jest ze zmiennej DASHSCOPE_API_KEY albo z pliku wskazanego przez DASHSCOPE_API_KEY_FILE_PATH. Jeśli tego nie ustawisz, ruch domyślnie idzie do chińskiego punktu końcowego, co przy danych osobowych bywa problemem wcześniej niż przy wydajności.

from openai import OpenAI

client = OpenAI(
    api_key=os.environ["DASHSCOPE_API_KEY"],
    base_url="https://{WorkspaceId}.eu-central-1.maas.aliyuncs.com/compatible-mode/v1",
)

response = client.chat.completions.create(
    model="qwen3.8-max",
    messages=[{"role": "user", "content": "Wypisz trzy typowe bledy w migracji bazy."}],
    stream=True,
)
for chunk in response:
    print(chunk.choices[0].delta.content or "", end="")

Natywny klient daje dostęp do parametrów, których w trybie zgodnym z OpenAI nie ma. Sygnatura Generation.call w pakiecie 1.27.1 przyjmuje między innymi result_format, incremental_output, enable_thinking, thinking_budget, enable_search, search_options, parallel_tool_calls, repetition_penalty, seed i workspace. Ostatni z nich odpowiada identyfikatorowi obszaru roboczego z adresu.

import dashscope
from dashscope import Generation

dashscope.base_http_api_url = "https://dashscope-intl.aliyuncs.com/api/v1"

response = Generation.call(
    model="qwen3.7-plus",
    messages=[{"role": "user", "content": "Streszcz ten log w trzech punktach."}],
    result_format="message",
    enable_thinking=True,
    thinking_budget=2048,
    enable_search=False,
    incremental_output=True,
)
print(response.output.choices[0].message.content)

Zależności pakietu są konkretne i warto o nich wiedzieć przed instalacją w małym obrazie: aiohttp, requests, websocket-client, cryptography, certifi, typer>=0.9.0, rich>=13.0.0, httpx>=0.27.0, httpx-sse>=0.4.0, prompt-toolkit>=3.0, pydantic>=2.0, tenacity, PyYAML>=6.0 i textual>=0.50. Dwie ostatnie oraz typer i rich obsługują wbudowany interfejs konsolowy, którego przy zwykłym wywołaniu API nie użyjesz. Klienty openai i anthropic są opcjonalne i siedzą w dodatkach acli-openai oraz acli-anthropic.

Licencja tego pakietu jest wzorcowa i nie ma tu żadnej niespodzianki. PyPI deklaruje Apache 2.0 i klasyfikator License :: OSI Approved :: Apache Software License, koło zawiera dashscope-1.27.1.dist-info/licenses/LICENSE z pełnym tekstem Apache 2.0, obok niego NOTICE i LICENSE.certifi, a w środku leży 311 plików .py, czyli realny kod. Trzy źródła, jedna odpowiedź.

Cennik: ta sama nazwa modelu, dwie różne stawki

Cennik Model Studio jest publikowany osobno dla wdrożenia międzynarodowego i osobno dla Chin kontynentalnych, w obu przypadkach w dolarach. Różnica nie jest kosmetyczna.

Stawka chińska dla qwen3.7-max to 66 procent stawki międzynarodowej po stronie wejścia i praktycznie tyle samo po stronie wyjścia. Dla qwen3.7-plus proporcja wynosi około 69 procent, więc nie ma jednego mnożnika, którym przeliczysz cały cennik. Zwróć też uwagę na arytmetykę samej tabeli: w Singapurze wyjście jest dokładnie trzy razy droższe od wejścia (2,50 i 7,50), a w Pekinie trzykrotność 1,65 daje 4,95, podczas gdy dostawca podaje 4,951. Podobnie qwen3.6-27b w Pekinie wyceniono na 0,412564 USD i 2,475384 USD, czyli z dokładnością do sześciu miejsc po przecinku, gdy sąsiednie wiersze mają trzy. To nie zmienia rachunku, ale pokazuje, że tabela jest generowana z kursu, a nie ustalana ręcznie, i że przy przeliczaniu budżetu lepiej brać liczby z faktury niż z dokumentacji.

Trzy mechanizmy zmieniają rachunek. Batch API kosztuje 50 procent ceny inferencji w czasie rzeczywistym, i to zarówno po stronie wejścia, jak i wyjścia. Bufor kontekstu obniża wyłącznie wejście: utworzenie bufora jawnego kosztuje 125 procent zwykłej stawki wejścia, a trafienie w bufor 10 procent. Rabaty nie sumują się, więc dla jednego zapytania wybierasz jeden z dwóch. Do tego dochodzi darmowy limit: przy każdym wierszu wdrożenia międzynarodowego dokumentacja podaje 1 000 000 tokenów ważnych przez 90 dni od aktywacji Model Studio. Dokument zaznacza wprost, że w pozostałych zakresach wdrożenia darmowego limitu nie ma.

Jest jeszcze jedna rozbieżność, o której lepiej wiedzieć, niż zgadywać. Strona modeli rekomendowanych z 11 sierpnia 2026 roku wymienia qwen3.8-max i qwen3.7-flash, a strona rozliczeń, aktualizowana 15 lipca 2026 roku, nie zawiera dla nich ani jednego wiersza. Modele są w katalogu i mają przypisane limity, ale ich stawek w cenniku jeszcze nie opublikowano. Jeśli planujesz budżet na najnowszy flagowiec, na dziś nie ma czego przeliczać i trzeba to sprawdzić w konsoli. Stawki weryfikuj w dokumentacji rozliczeń Model Studio.

Limity zapytań karzą przypięcie wersji

Limity są nakładane na poziomie konta głównego i sumują ruch wszystkich użytkowników RAM, obszarów roboczych i kluczy API. Liczą się dwie wartości na minutę, RPM i TPM, przy czym dokumentacja zaznacza, że usługa może wymuszać też limity sekundowe wyliczone jako RPM podzielone przez 60 i TPM podzielone przez 60. Komunikaty błędów rozróżniają przypadki: Requests rate limit exceeded oznacza RPM, Allocated quota exceeded oznacza TPM, a Request rate increased too quickly to zabezpieczenie przed nagłym skokiem ruchu, które potrafi zadziałać nawet poniżej obu limitów.

Dwie rzeczy z tej tabeli warto zapamiętać. Po pierwsze, ten sam identyfikator modelu dostaje w Singapurze 600 zapytań na minutę, a w Wirginii 30 000, czyli pięćdziesiąt razy więcej. Region nie jest wyłącznie kwestią opóźnienia i zgodności, tylko realnej przepustowości. Po drugie, przypięcie konkretnego wydania kosztuje. Alias qwen3.7-plus ma 15 000 RPM, a datowana migawka qwen3.7-plus-2026-05-26 tylko 60. Dokumentacja mówi to wprost: wersje stabilne i najnowsze mają wyższe limity niż migawki datowane. To stawia użytkownika przed niewygodnym wyborem między powtarzalnością zachowania a przepustowością, i jest to wada, a nie cecha. Osobno warto odnotować, że wywołania przez Batch API nie podlegają temu limitowaniu. Aktualne wartości sprawdzisz na stronie limitów Model Studio.

qwen-agent: kod jest, licencji w rejestrze nie ma

Pakiet qwen-agent w wersji 0.0.34 z 16 lutego 2026 roku nie ma w metadanych PyPI ani pola license, ani pola license_expression, ani żadnego klasyfikatora licencji. Lista classifiers jest pusta. Sprawdzenie z trzech źródeł daje jednak spokojniejszy obraz niż początkowe wrażenie.

pip download qwen-agent==0.0.34 --no-deps -d /tmp/qa
unzip -o -q /tmp/qa/qwen_agent-0.0.34-py3-none-any.whl -d /tmp/qa/x
ls /tmp/qa/x/qwen_agent-0.0.34.dist-info/licenses
grep -E "^License-File" /tmp/qa/x/qwen_agent-0.0.34.dist-info/METADATA
find /tmp/qa/x/qwen_agent -name "*.py" | wc -l

Koło waży 7 136 923 bajty, po rozpakowaniu daje około 11 MB i 91 plików .py, więc kod jest prawdziwy, a nie atrapa. W katalogu dist-info leży podkatalog licenses z plikiem LICENSE, który zawiera pełny tekst Apache 2.0 na 202 wiersze, a METADATA odnotowuje License-File: LICENSE. Repozytorium QwenLM/Qwen-Agent ma plik LICENSE z tym samym tekstem, a każdy plik źródłowy zaczyna się nagłówkiem Apache. Wniosek jest taki, że brakuje wyłącznie deklaracji w rejestrze. Dla człowieka to niuans, dla skanera zgodności licencji to pakiet bez licencji, więc trzeba go obsłużyć ręcznie w regułach narzędzia.

Przy okazji jedna pułapka z wersjonowaniem. Kanał wydań na GitHubie kończy się na v0.0.26 z 29 maja 2025 roku, podczas gdy PyPI ma 0.0.34 z lutego 2026. Wersji nie da się tu ustalić po stronie wydań na GitHubie, bo tam jej po prostu nie ma. Rejestr pakietów jest jedynym wiarygodnym źródłem, więc wersję bierz z karty pakietu w PyPI.

from qwen_agent.agents import Assistant

bot = Assistant(
    llm={
        "model": "qwen3.7-plus",
        "model_server": "https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
        "api_key": os.environ["DASHSCOPE_API_KEY"],
        "generate_cfg": {"top_p": 0.8},
    },
    system_message="Odpowiadasz zwiezle i po polsku.",
    function_list=["code_interpreter"],
    files=["./docs/instrukcja.pdf"],
)

for response in bot.run(messages=[{"role": "user", "content": "Co mowi rozdzial 3?"}]):
    print(response)

Klucz model_server przyjmuje też skrót 'dashscope', ale rozwija się on w kodzie do https://dashscope.aliyuncs.com/compatible-mode/v1, czyli do hosta chińskiego. Jeśli pracujesz na regionie europejskim, podaj pełny adres, a nie skrót.

Qwen kontra DeepSeek i Llama

Różnica pierwsza dotyczy licencji. DeepSeek, opisany szerzej w tekście o DeepSeeku, daje bieżącą generację wag na MIT, czyli jedną licencję dla całości. W Qwenie trzeba sprawdzać model po modelu i część pozycji ma licencję własną z progami przychodowymi albo licencję badawczą bez prawa do użytku komercyjnego. Za to Qwen daje coś, czego DeepSeek nie ma: kompletny zestaw modeli pomocniczych, od osadzeń i przestawiania wyników po rozpoznawanie mowy, w tej samej rodzinie i pod tą samą organizacją.

Różnica druga dotyczy operacji. DeepSeek wystawia jeden punkt końcowy, Qwen sześć regionów, w tym Frankfurt, co przy wymogach dotyczących miejsca przetwarzania danych bywa rozstrzygające. Cena i przepustowość zależą jednak od wybranego regionu, więc porównanie stawek bez podania regionu nie ma sensu.

Trzecia rodzina otwartych wag, czyli Llama, ma licencję społecznościową z warunkami dla całej rodziny, bez rozdrobnienia na warianty, ale też bez tak szerokiego wachlarza rozmiarów i modalności. Jeśli potrzebujesz jednej odpowiedzi dla działu prawnego na całą rodzinę, Llama jest prostsza. Jeśli potrzebujesz modelu o konkretnym rozmiarze albo zadania spoza czatu, Qwen ma więcej pozycji do wyboru.

Wagi pobierzesz przez Hugging Face, a lokalnie uruchomisz je przez Ollamę dla wygodnego startu na jednej maszynie albo przez vLLM, gdy potrzebujesz przepustowości i wsadowego przetwarzania. Jeśli nie chcesz podpisywać umowy z Alibabą, modele Qwen bywają dostępne u pośredników; wtedy rozsądnym punktem wejścia jest OpenRouter, a warstwę przełączania dostawców najprościej postawić na LiteLLM.

Typowe błędy

Pierwszy to założenie jednej licencji dla rodziny. Pobierasz wagi, zapisujesz w dokumentacji „Apache 2.0" i po pół roku okazuje się, że jeden z modeli był badawczy. Sprawdzaj pole license i treść pliku LICENSE dla każdego repozytorium osobno.

Drugi to pozostawienie domyślnego regionu w SDK. Biblioteka dashscope startuje z cn-beijing i chińskim hostem, a qwen-agent rozwija skrót 'dashscope' do tego samego adresu. Jeśli przetwarzasz dane osobowe użytkowników z Unii Europejskiej, ustaw DASHSCOPE_COMPATIBLE_BASE_URL lub podaj pełny adres regionu przed pierwszym wdrożeniem, a nie po audycie.

Trzeci to przypięcie datowanej migawki bez sprawdzenia limitu. Przejście z qwen3.7-plus na qwen3.7-plus-2026-05-26 wygląda jak zwiększenie powtarzalności, a w praktyce zbija limit z 15 000 do 60 zapytań na minutę. Objawia się to na produkcji, przy pierwszym większym ruchu.

Czwarty to liczenie budżetu z jednej tabeli cennika. Stawki są inne w Singapurze i w Pekinie, część wierszy ma dopisek o promocji czasowej, a najnowsze modele w ogóle nie mają jeszcze opublikowanych stawek. Do budżetu bierz liczby dla swojego regionu i potwierdź je w konsoli.

Piąty to traktowanie qwen-agent jak stabilnego API. Numeracja 0.0.x nie jest przypadkowa, a różnica między ostatnim wydaniem na GitHubie a wersją w PyPI pokazuje, że proces wydawniczy nie jest tu priorytetem. Do produkcji przypnij dokładną wersję i licz się z tym, że aktualizacja może wymagać zmian w kodzie.

Szósty to pomijanie kwestii dostawcy spoza Unii Europejskiej. Region frankfurcki rozwiązuje część problemu z miejscem przetwarzania, ale nie zmienia tego, kto jest administratorem infrastruktury i jakiemu prawu podlega. To rozmowa do przeprowadzenia przed wdrożeniem, nie po.

FAQ

Czy Qwen jest otwartoźródłowy?

Częściowo. Większość opublikowanych wag jest na Apache 2.0 i to jest licencja otwartoźródłowa. Największy model rodziny, Qwen/Qwen3.8-2.4T-A95B, ma licencję własną z progami przychodowymi, a modele oznaczone jako qwen-research pozwalają wyłącznie na użytek niekomercyjny. Odpowiedź zależy od tego, który model pobierasz.

Czy mogę używać zwykłego klienta OpenAI?

Tak. Model Studio wystawia powierzchnię zgodną z OpenAI pod ścieżką /compatible-mode/v1, a także powierzchnię zgodną z Anthropic pod /apps/anthropic. Podmieniasz base_url i klucz. Parametry specyficzne dla dostawcy, jak thinking_budget czy enable_search, wymagają natywnego klienta dashscope albo pola extra_body.

Który region wybrać?

Frankfurt (eu-central-1), jeśli miejsce przetwarzania danych ma znaczenie prawne. Wirginia (us-east-1), jeśli liczy się przepustowość, bo limity RPM bywają tam wielokrotnie wyższe niż w Singapurze dla tego samego modelu. Pekin daje najniższe stawki, ale to wdrożenie dla Chin kontynentalnych.

Dlaczego qwen-agent nie ma licencji w PyPI?

Bo brakuje deklaracji w metadanych paczki, a nie samej licencji. W kole leży dist-info/licenses/LICENSE z pełnym tekstem Apache 2.0, repozytorium QwenLM/Qwen-Agent ma ten sam plik, a pliki źródłowe mają nagłówki Apache. Skanery zgodności zgłoszą to jako brak licencji i trzeba dodać wyjątek ręcznie.

Czy da się przypiąć konkretne wydanie modelu w API?

Da się, bo dostawca publikuje datowane identyfikatory w rodzaju qwen3.7-plus-2026-05-26. Cena jest ta sama co dla aliasu, ale limit zapytań na minutę potrafi być kilkaset razy niższy. To realny koszt powtarzalności, który trzeba wliczyć w decyzję.

Czy warto uruchamiać Qwen lokalnie zamiast przez API?

Zależy od rozmiaru. Modele do kilkudziesięciu miliardów parametrów sensownie chodzą na jednej karcie i wtedy uruchomienie przez vLLM albo Ollamę eliminuje problem regionu, limitów i przesyłania danych na zewnątrz. Największe warianty wymagają klastra i wtedy API zwykle wychodzi taniej niż utrzymanie sprzętu.