Det korte svar
Til ren kapacitet på datacenterskala er de førende på rangeringerne midt i 2026 Kimi K3, hvis vægte Moonshot offentliggjorde i juli 2026 med et kontekstvindue på 1M tokens, og DeepSeek V4, hvis Pro-variant rapporterer 80,6% på SWE-bench Verified kodningsbenchmarket under en MIT-licens. Begge er konkurrencedygtige med lukkede flagskibe på offentlige evalueringer.
Til en enkelt god GPU er Qwen-modellerne i mellemstørrelse (dense) standardvalget. Til en bærbar uden nogen GPU overhovedet er små modeller som Gemma det realistiske loft. Og for udviklere, der bare vil have billig, kompetent inferens via en API, svarer Llama 3.3 70B og DeepSeek V3.2 for en brøkdel af, hvad frontier-modeller koster.
Den ærlige overskrift er, at spørgsmålet om, hvilken åben model der er bedst, nu har samme form som hvilken AI-model du skal bruge generelt: det afhænger af opgaven og hvor den kører, og kløften til lukkede modeller er blevet så lille, at pris og licens ofte afgør sagen.
Open source eller open weights? Licensen betyder faktisk noget
Betegnelsen "open source" dækker over tre forskellige aftaler, og forskellen er usynlig, indtil den koster dig noget.
Ægte åbne licenser (MIT, Apache). DeepSeek udgiver under MIT: brug den, tilpas den, byg et kommercielt produkt på den, ingen vilkår værd at bekymre sig om. Dette er den strengeste betydning af open source, og i 2026 bærer flere modeller på frontier-niveau endelig denne licens.
Open weights med betingelser. Metas Llama-licens er det berømte eksempel: vægtene kan downloades og er gratis for næsten alle, men licensen begrænser meget store kommercielle implementeringer og visse anvendelser. Llama-forklaringen gennemgår, hvorfor denne skelnen diskuteres online.
Open weights, forskningsbegrænsninger. Nogle udgivelser tillader forskning og personlig brug, men begrænser kommerciel implementering helt. Læs, før du bygger.
For en enkeltperson, der bruger disse modeller gennem et chatprodukt, ændrer intet af dette noget. For en virksomhed, der udsender software oven på en af dem, er licensen det første, der skal tjekkes, før noget benchmark.
De førende åbne modeller i 2026, sammenlignet
Priser er hostede API-priser per million tokens fra Whizis model cost index, hentet 2026-08-20 fra OpenRouters listepriser. Benchmarktal er udviklernes rapporterede resultater på offentlige rangeringer.
| Model | Licens | Kontekst | Input / output per 1M tokens | Kendetegn |
|---|---|---|---|---|
| Kimi K3 (Moonshot) | Open weights | 1M | $3.00 / $15.00 | Vægte offentliggjort juli 2026; fører de åbne rangeringer |
| DeepSeek V3.2 | MIT | 164K | $0.27 / $0.40 | Svar på frontier-niveau til råvarepriser |
| DeepSeek V4 Pro | MIT | 1M | $1.19 / $3.56 | Rapporterer 80,6% på SWE-bench Verified |
| Llama 4 Maverick (Meta) | Llama-licens | 1M | $0.20 / $0.80 | Billigste 1M kontekst i indekset |
| Llama 3.3 70B (Meta) | Llama-licens | 131K | $0.10 / $0.32 | Arbejdshesten: overalt, og næsten gratis |
| Mistral Large 3 | Open weights | 262K | $0.50 / $1.50 | Den stærkeste europæiske åbne udgivelse |
| Qwen3.7 Flash | Apache | 1M | $0.03 / $0.13 | 1M kontekst til den laveste pris i sin klasse |
To mønstre værd at bemærke. For det første er kontekstvinduer på 1M tokens, engang et salgsargument for lukkede modeller, nu standard på tværs af åbne udgivelser; kontekstvindue-sammenligningen sporer hele tabellen. For det andet fortsætter prisbunden med at falde: Qwen3.7 Flash besvarer et standardspørgsmål for $0.000095 på cost-indekset, hvilket prissætter tusind svar til under en tiøre.
Hvad koster de egentlig at køre?
Whizis cost index prissætter hver model for ét standardsvar, 1.000 input-tokens plus 500 output-tokens, så listepriser bliver sammenlignelige. På den målestok er de åbne modeller ikke bare lidt billigere end lukkede flagskibe, de er en anden økonomisk kategori.
Et standardsvar fra Llama 3.3 70B koster $0.00026. Fra DeepSeek V3.2, $0.00047. Fra Kimi K3, den dyreste åbne model i indekset, $0.0105. De lukkede flagskibe ligger på $0.0175 til $0.035 for samme svar, og hele indeksets spredning fra billigste til dyreste model er cirka 2.000x. Tusind svar fra Llama 3.3 koster 26 cent; de samme tusind fra et lukket flagskib kan overstige $30.
Det er derfor, åbne modeller stille driver det hurtige eller økonomiske niveau i mange AI-produkter, og hvorfor opgaver med stort volumen, klassificering, udtrækning, opsummering i stor skala, næsten altid lander på dem. Det levende cost index har den fulde tabel med 100 modeller med regnestykker per svar.
Forbeholdet, der holder det ærligt: at køre vægte selv er kun gratis, hvis din tid og hardware er det. En GPU, der kan servere en 70B-model godt, er et køb på flere tusind kroner, og de mellemstore modeller, der passer til én forbruger-GPU, bytter kapacitet for det. For de fleste fanger hostet adgang til åbne modeller prisfordelen uden hardwaren.
Hvilken åben model til hvilket job
Højvolumen, prisfølsomt arbejde (resuméer, udtrækning, mærkning): Llama 3.3 70B eller Qwen3.7 Flash. Til brøkdele af en tiendedel cent per svar er prisen for lejlighedsvis at tage fejl lavere end prisen for, at en premium-model altid har ret.
Kodning: DeepSeek V4 Pro eller Kimi K3's kodningsvarianter. De rapporterede SWE-bench-tal placerer dem i reel konkurrence med lukkede kodningsassistenter, og MIT-licensen gør DeepSeek til det trygge valg. Claude vs DeepSeek tester dette hoved mod hoved.
Lange dokumenter: enhver af 1M-kontekstudgivelserne, med Llama 4 Maverick som budgetvalget til $0.20 per million input-tokens.
Lokal og privat: en Qwen-model i mellemstørrelse på en 24 GB GPU, eller Gemma-klasse smamodeller på en bærbar. Privatliv er absolut, kapacitet er middel, og Llama-guiden dækker realistiske forventninger til lokal kørsel.
Flersproget og europæisk hostet arbejde: Mistral Large 3, som også forankrer Mistral-forklaringen.
Hvor åbne modeller stadig taber
En ærlig guide navngiver hullerne, for de er reelle og afgør køb.
Det allerhøjeste niveau af ræsonnement. På de sværeste multi-trins ræsonnements- og agentbaserede opgaver holder lukkede flagskibe stadig fordelen på de fleste offentliggjorte evalueringer. Kløften er lukket dramatisk, den er ikke lukket.
Finish og produkt. Open weights leveres som vægte. Talefunktioner, dybdegående forskningsværktøjer, hukommelse og appøkosystemer er produktudvikling, som lukkede udbydere pakker ind, og som åbne modeller overlader til den, der hoster dem.
Konsistens i hosting. Den samme åbne model kan præstere forskelligt på tværs af hosts afhængigt af kvantisering og serveringsvalg, en fejltype lukkede API'er ikke har. Hvis en åben model pludselig virker dårligere, er hosten en mistænkt før modellen er det.
Support og ansvarlighed. Når en lukket model opfører sig dårligt, er der en leverandør. Når selvhostede vægte opfører sig dårligt, er der en GitHub-issue-tracker.
Tre måder at bruge én på i praksis
1. Gennem en multimodel-arbejdsplads. Den opsætningsfrie vej: Whizi inkluderer åbne modeller som Llama, DeepSeek, Kimi, Qwen og Mistral ved siden af GPT, Claude og Gemini, så åben-mod-lukket stopper med at være en abonnementsbeslutning og bliver et pr. spørgsmål-valg. Send volumenarbejdet til de billige åbne modeller og det svære ræsonnement til et flagskib i samme samtale.
2. Gennem en API. For udviklere er hostede åbne modeller til priserne ovenfor hovedgrunden til at se forbi frontier-udbyderne til produktionsarbejdsbelastninger.
3. På din egen hardware. Ollama og LM Studio gør lokal kørsel virkelig let nu. Vælg dette af hensyn til privatliv eller offlinebehov, ikke for at spare penge; strømmen er billig, men GPU'en er det ikke.
- Tjek licensen, før du bygger noget kommercielt: MIT og Apache er betingelsesløse, Llama-lignende licenser er det ikke
- Send opgaver med stort volumen til åbne modeller først; prisforskellen per svar er 20 til 100x
- Stol på rapporterede benchmarks som en shortlist, test derefter på din egen opgave, før du forpligter dig
- Hvis en hostet åben model underpræsterer, prøv en anden host, før du bebrejder modellen
- Kør lokalt af hensyn til privatliv eller offlinebrug, ikke for at spare penge
- Hold én frontier-model tilgængelig til de opgaver, hvor kløften stadig viser sig
Ofte stillede spørgsmål
Hvad er den bedste open source LLM lige nu?
På offentliggjorte rangeringer midt i 2026 fører Kimi K3 samlet blandt åbne udgivelser, med DeepSeek V4 Pro tæt bagefter og med de stærkeste kodningsresultater under en ægte MIT-licens. Til en enkelt GPU er Qwen-modeller i mellemstørrelse (dense) det sædvanlige valg. Rangeringen ændrer sig hver få måneder, så betragt ethvert statisk svar som en startshortlist.
Er open source LLM'er lige så gode som ChatGPT eller Claude?
På mange offentliggjorte benchmarks er de bedste åbne modeller nu inden for få point af lukkede flagskibe, og til daglige spørgsmål er forskellen svær at bemærke. De lukkede modeller beholder en fordel på de sværeste ræsonnementsopgaver og leveres med langt mere produktpolering: tale, forskningsværktøjer og hukommelse. Til arbejde med stort volumen eller høj prisfølsomhed er åbne modeller ofte det bedre valg.
Er open source LLM'er virkelig gratis?
Vægtene er gratis at downloade, beregningen er det aldrig. At køre en kompetent model selv kræver en seriøs GPU, og hostet adgang prissættes per token, bare meget billigt: cirka $0.0003 per standardsvar for Llama 3.3 70B mod $0.02 eller mere for et lukket flagskib. Gratis i licensforstand, billigt i praktisk forstand.
Kan jeg køre en open source LLM på min bærbare?
Ja, med justerede forventninger. Værktøjer som Ollama og LM Studio kører små og mellemstore modeller på forbrugerhardware, og en bærbar uden en stærk GPU klarer de små. Du får fuldstændigt privatliv og offlinebrug; du opgiver kapaciteten hos de store modeller, som kræver datacenterhardware eller en hostet udbyder.
Hvad er forskellen mellem open source og open weights?
Open source i streng forstand betyder en licens som MIT eller Apache uden meningsfulde begrænsninger, som DeepSeek- og Qwen-udgivelser bærer. Open weights betyder, at modellen kan downloades, men licensen knytter betingelser til, som Llama-licensen der begrænser meget store kommercielle implementeringer. Enkeltpersoner bemærker sjældent forskellen; virksomheder, der indlejrer en model, skal tjekke det først.
