پاسخ کوتاه
از نظر توان خام در مقیاس دیتاسنتر، پیشتازان جدول رتبهبندی در اواسط سال 2026 عبارت‌اند از Kimi K3 که Moonshot وزن‌های آن را در ژوئیه 2026 با پنجرهٔ زمینهٔ 1M توکن منتشر کرد، و DeepSeek V4 که نسخهٔ Pro آن با مجوز MIT، عدد 80.6 درصد را در آزمون کدنویسی SWE-bench Verified گزارش می‌دهد. هر دو در ارزیابی‌های عمومی با مدلهای پرچمدار بسته رقابتی هستند.
برای یک GPU خوب و تنها، مدلهای میاناندازهٔ dense Qwen انتخاب پیش‌فرض هستند. برای لپ‌تاپی که هیچ GPU ندارد، مدلهای کوچک مانند Gemma سقف واقع‌بینانه هستند. و برای توسعه‌دهندگانی که فقط استنتاج ارزان و توانمند از طریق API می‌خواهند، Llama 3.3 70B و DeepSeek V3.2 با بخش بسیار کوچکی از هزینهٔ مدلهای پیشرو پاسخ می‌دهند.
تیتر صادقانه این است که «کدام مدل متنباز بهتر است» اکنون همان شکل پاسخ کدام مدل هوش مصنوعی را استفاده کنیم را به‌طور کلی دارد: به وظیفه و محل اجرا بستگی دارد، و فاصله با مدلهای بسته آن‌قدر کم شده که اغلب قیمت و مجوز تصمیم می‌گیرند.
متنباز یا وزن باز؟ مجوز واقعاً اهمیت دارد
برچسب «متنباز» سه توافق متفاوت را در بر می‌گیرد، و این تفاوت تا وقتی که برایتان هزینه‌بر شود دیده نمی‌شود.
مجوزهای واقعاً باز (MIT، Apache). DeepSeek با مجوز MIT منتشر می‌شود: از آن استفاده کنید، تغییرش دهید، محصول تجاری روی آن بسازید، بدون هیچ شرطی که ارزش نگرانی داشته باشد. این سخت‌گیرانه‌ترین معنای متنباز است، و در سال 2026 چند مدل در سطح پیشرو سرانجام آن را دارند.
وزن باز با شرط. مجوز Llama از Meta نمونهٔ معروف آن است: وزن‌ها برای تقریباً همه قابل دانلود و رایگان هستند، اما مجوز، استقرارهای تجاری بسیار بزرگ‌مقیاس و برخی کاربردها را محدود می‌کند. توضیح Llama دلیل بحث آنلاین بر سر این تفاوت را بررسی می‌کند.
وزن باز با محدودیت پژوهشی. برخی انتشارها استفادهٔ پژوهشی و شخصی را مجاز می‌دانند اما استقرار تجاری را کاملاً محدود می‌کنند. پیش از ساختن چیزی، مجوز را بخوانید.
برای فردی که از این مدل‌ها از طریق یک محصول چت استفاده می‌کند، هیچ‌کدام از این‌ها چیزی را تغییر نمی‌دهد. برای شرکتی که نرم‌افزاری روی یکی از آنها می‌سازد، مجوز پیش از هر آزمون، اولین چیزی است که باید بررسی شود.
مقایسهٔ مدلهای متنباز پیشرو سال 2026
قیمت‌ها نرخ‌های API میزبانی‌شده به ازای هر یک میلیون توکن هستند و از شاخص هزینهٔ مدل Whizi، دریافت‌شده در 2026-08-20 از قیمت‌های فهرست‌شدهٔ OpenRouter، آمده‌اند. اعداد آزمون‌ها همان نتایج گزارش‌شدهٔ سازندگان در جدولهای رتبهبندی عمومی هستند.
| مدل | مجوز | زمینه | ورودی / خروجی به ازای 1M توکن | نکتهٔ برجسته |
|---|---|---|---|---|
| Kimi K3 (Moonshot) | وزن باز | 1M | $3.00 / $15.00 | وزن‌ها در ژوئیه 2026 منتشر شد؛ پیشتاز جدولهای متنباز |
| DeepSeek V3.2 | MIT | 164K | $0.27 / $0.40 | پاسخ‌های در سطح پیشرو با قیمت کالایی |
| DeepSeek V4 Pro | MIT | 1M | $1.19 / $3.56 | 80.6 درصد در SWE-bench Verified گزارش می‌دهد |
| Llama 4 Maverick (Meta) | مجوز Llama | 1M | $0.20 / $0.80 | ارزان‌ترین زمینهٔ 1M در این شاخص |
| Llama 3.3 70B (Meta) | مجوز Llama | 131K | $0.10 / $0.32 | اسب کاری: همه‌جا هست و تقریباً رایگان است |
| Mistral Large 3 | وزن باز | 262K | $0.50 / $1.50 | قوی‌ترین انتشار متنباز اروپایی |
| Qwen3.7 Flash | Apache | 1M | $0.03 / $0.13 | زمینهٔ 1M با کمترین قیمت در کلاس خودش |
دو الگو قابل توجه است. اول، پنجره‌های زمینهٔ 1M توکن که زمانی یک مزیت فروش مدلهای بسته بود، اکنون در انتشارهای متنباز استاندارد شده است؛ مقایسهٔ پنجرهٔ زمینه جدول کامل را دنبال می‌کند. دوم، سقف پایین قیمت همچنان پایین‌تر می‌رود: Qwen3.7 Flash به هر پرسش استاندارد با $0.000095 در شاخص هزینه پاسخ می‌دهد، یعنی قیمت هزار پاسخ کمتر از یک دایم است.
هزینهٔ واقعی اجرای آنها چقدر است؟
شاخص هزینهٔ Whizi هر مدل را برای یک پاسخ استاندارد، 1,000 توکن ورودی به‌همراه 500 توکن خروجی، قیمت‌گذاری می‌کند تا نرخ‌های فهرست‌شده قابل مقایسه شوند. بر اساس این معیار، مدلهای متنباز کمی ارزان‌تر از مدلهای پرچمدار بسته نیستند؛ آنها یک دستهٔ اقتصادی کاملاً متفاوت‌اند.
یک پاسخ استاندارد از Llama 3.3 70B هزینهٔ $0.00026 دارد. از DeepSeek V3.2، $0.00047. از Kimi K3، گران‌ترین مدل متنباز در این شاخص، $0.0105. مدلهای پرچمدار بسته برای همان پاسخ بین $0.0175 تا $0.035 قرار دارند، و دامنهٔ کامل شاخص از ارزان‌ترین تا گران‌ترین مدل تقریباً 2,000 برابر است. هزار پاسخ از Llama 3.3 حدود 26 سنت هزینه دارد؛ همان هزار پاسخ از یک مدل پرچمدار بسته می‌تواند از $30 هم بگذرد.
به همین دلیل مدلهای متنباز بی‌سروصدا موتور رده‌های سریع یا اقتصادی بسیاری از محصولات هوش مصنوعی هستند، و به همین دلیل وظایف حجم‌بالا، مانند دسته‌بندی، استخراج و خلاصه‌سازی در مقیاس، تقریباً همیشه به آنها می‌رسند. شاخص هزینهٔ زنده جدول کامل 100 مدل را با محاسبهٔ هر پاسخ در بر دارد.
نکته‌ای که این را صادقانه نگه می‌دارد: اجرای وزن‌ها به‌تنهایی فقط وقتی رایگان است که زمان و سخت‌افزار شما هم رایگان باشد. یک GPU که بتواند مدل 70B را خوب سرویس‌دهی کند، خریدی چهاررقمی است، و مدلهای میان‌اندازه که روی یک GPU مصرفی جا میشوند، توانمندی را با همین امتیاز مبادله می‌کنند. برای بیشتر افراد، دسترسی میزبانی‌شده به مدلهای متنباز، مزیت قیمتی را بدون نیاز به سخت‌افزار به دست می‌دهد.
کدام مدل متنباز برای کدام کار
کارهای حجم‌بالا و حساس به هزینه (خلاصه‌سازی، استخراج، برچسب‌گذاری): Llama 3.3 70B یا Qwen3.7 Flash. با هزینه‌ای در حد کسری از یک دهم سنت برای هر پاسخ، هزینهٔ گاهی اشتباه بودن کمتر از هزینهٔ درست بودن یک مدل ممتاز است.
کدنویسی: DeepSeek V4 Pro یا نسخه‌های کدنویسی Kimi K3. اعداد گزارش‌شدهٔ SWE-bench آنها را در رقابت واقعی با دستیارهای کدنویسی بسته قرار می‌دهد، و مجوز MIT، DeepSeek را گزینهٔ امنی برای جای‌گذاری می‌کند. Claude در برابر DeepSeek این مقایسه را رو در رو انجام می‌دهد.
اسناد بلند: هرکدام از انتشارهای با زمینهٔ 1M، با Llama 4 Maverick به‌عنوان گزینهٔ اقتصادی با $0.20 به ازای هر یک میلیون توکن ورودی.
محلی و خصوصی: یک مدل میاناندازهٔ Qwen روی یک GPU با 24 گیگابایت حافظه، یا مدلهای کوچک کلاس Gemma روی لپتاپ. حریم خصوصی کامل است، توانمندی متوسط است، و راهنمای Llama انتظارات واقع‌بینانه برای اجرای محلی را پوشش می‌دهد.
کارهای چندزبانه و میزبانی‌شده در اروپا: Mistral Large 3، که پایهٔ توضیح Mistral نیز هست.
کجا مدلهای متنباز هنوز عقب‌اند
یک راهنمای صادقانه شکاف‌ها را نام می‌برد، چون واقعی‌اند و تصمیم خرید را رقم می‌زنند.
بالاترین سطح استدلال. در سخت‌ترین وظایف استدلال چندمرحله‌ای و عامل‌محور، مدلهای پرچمدار بسته هنوز در بیشتر ارزیابی‌های منتشرشده برتری دارند. فاصله به‌شدت کم شده است؛ اما بسته نشده است.
پرداخت و محصول. وزن‌های باز فقط به‌صورت وزن عرضه میشوند. حالت‌های صوتی، ابزارهای پژوهش عمیق، حافظه و اکوسیستم‌های اپلیکیشن، مهندسی محصولی هستند که ارائه‌دهندگان بسته آنها را همراه می‌کنند و مدلهای متنباز آن را به هرکس که میزبانی‌شان می‌کند وامی‌گذارند.
یکنواختی میزبانی. یک مدل متنباز یکسان می‌تواند بسته به کوانتیزاسیون و انتخاب‌های سرویس‌دهی، در میزبان‌های مختلف عملکرد متفاوتی داشته باشد؛ حالت خرابی‌ای که APIهای بسته ندارند. اگر یک مدل متنباز ناگهان ضعیف‌تر به نظر رسید، پیش از خود مدل، میزبان مشکوک است.
پشتیبانی و پاسخگویی. وقتی یک مدل بسته بدرفتاری می‌کند، یک فروشنده وجود دارد. وقتی وزن‌های خودمیزبان بدرفتاری می‌کنند، یک ردیاب مشکلات GitHub وجود دارد.
سه راه برای واقعاً استفاده از یکی از آنها
1. از طریق یک فضای کاری چندمدلی. مسیر بدون نیاز به راه‌اندازی: Whizi مدلهای متنباز مانند Llama، DeepSeek، Kimi، Qwen و Mistral را در کنار GPT، Claude و Gemini شامل می‌شود، پس تصمیم متنباز در برابر بسته دیگر یک تصمیم اشتراکی نیست، بلکه به ازای هر پرسش گرفته می‌شود. کارهای حجمی را به مدلهای ارزان متنباز بسپارید و استدلال سخت را در همان گفتگو به یک مدل پرچمدار.
2. از طریق یک API. برای توسعه‌دهندگان، مدلهای متنباز میزبانی‌شده با قیمت‌های بالا اصلی‌ترین دلیل برای نگاه کردن فراتر از ارائه‌دهندگان پیشرو در بارهای کاری عملیاتی هستند.
3. روی سخت‌افزار خودتان. Ollama و LM Studio اکنون اجرای محلی را واقعاً آسان کرده‌اند. این گزینه را برای حریم خصوصی یا نیازهای آفلاین انتخاب کنید، نه برای صرفه‌جویی؛ برق ارزان است اما GPU نیست.
- پیش از ساختن هر چیز تجاری، مجوز را بررسی کنید: MIT و Apache بدون شرط‌اند، مجوزهای سبک Llama این‌طور نیستند
- وظایف حجم‌بالا را ابتدا به مدلهای متنباز بسپارید؛ فاصلهٔ قیمت هر پاسخ 20 تا 100 برابر است
- به آزمون‌های گزارش‌شده به‌عنوان یک فهرست کوتاه اعتماد کنید، سپس پیش از تعهد، روی وظیفهٔ خودتان آزمایش کنید
- اگر یک مدل متنباز میزبانی‌شده عملکرد ضعیفی داشت، پیش از سرزنش مدل، میزبان دیگری را امتحان کنید
- برای حریم خصوصی یا استفادهٔ آفلاین به‌صورت محلی اجرا کنید، نه برای صرفه‌جویی در هزینه
- یک مدل پیشرو را برای وظایفی که فاصله هنوز نمایان است، در دسترس نگه دارید
پرسش‌های متداول
بهترین مدل زبانی متنباز در حال حاضر کدام است؟
در جدولهای رتبهبندی منتشرشده در اواسط سال 2026، Kimi K3 در میان انتشارهای متنباز به‌طور کلی پیشتاز است، و DeepSeek V4 Pro با فاصلهٔ کم در پی آن، بهترین نتایج کدنویسی را با یک مجوز واقعی MIT در دست دارد. برای یک GPU تنها، مدلهای میاناندازهٔ dense از Qwen انتخاب معمول هستند. رتبهبندی هر چند ماه یک‌بار تغییر می‌کند، پس هر پاسخ ثابتی را فقط به‌عنوان یک فهرست کوتاه شروع در نظر بگیرید.
آیا مدلهای زبانی متنباز به‌خوبی ChatGPT یا Claude هستند؟
در بسیاری از آزمون‌های منتشرشده، بهترین مدلهای متنباز اکنون تنها چند نمره با مدلهای پرچمدار بسته فاصله دارند، و برای پرسش‌های روزمره این تفاوت به‌سختی قابل تشخیص است. مدلهای بسته در سخت‌ترین وظایف استدلال هنوز برتری دارند و با پرداخت محصولی بسیار بیشتری عرضه میشوند: صدا، ابزارهای پژوهشی و حافظه. برای کارهای حجم‌بالا یا حساس به هزینه، مدلهای متنباز اغلب انتخاب بهتری هستند.
آیا مدلهای زبانی متنباز واقعاً رایگان‌اند؟
وزن‌ها برای دانلود رایگان‌اند؛ محاسبات هرگز رایگان نیستند. اجرای یک مدل توانمند به‌تنهایی به یک GPU جدی نیاز دارد، و دسترسی میزبانی‌شده به ازای هر توکن قیمت‌گذاری می‌شود، فقط بسیار ارزان: حدود $0.0003 برای هر پاسخ استاندارد از Llama 3.3 70B در برابر $0.02 یا بیشتر برای یک مدل پرچمدار بسته. رایگان از نظر مجوز، ارزان از نظر عملی.
آیا می‌توانم یک مدل زبانی متنباز را روی لپ‌تاپم اجرا کنم؟
بله، با انتظارات اصلاح‌شده. ابزارهایی مانند Ollama و LM Studio مدلهای کوچک و میان‌اندازه را روی سخت‌افزار مصرفی اجرا می‌کنند، و یک لپتاپ بدون GPU قوی از پس مدلهای کوچک برمی‌آید. حریم خصوصی کامل و استفادهٔ آفلاین به دست می‌آورید؛ اما توانمندی مدلهای بزرگ را که به سخت‌افزار دیتاسنتر یا یک ارائه‌دهندهٔ میزبان نیاز دارند، از دست می‌دهید.
تفاوت متنباز و وزن باز چیست؟
متنباز در معنای دقیق به مجوزی مانند MIT یا Apache بدون محدودیت معنادار اشاره دارد، مجوزی که انتشارهای DeepSeek و Qwen دارند. وزن باز به این معناست که مدل قابل دانلود است اما مجوز شرط‌هایی را همراه دارد، مانند مجوز Llama که استقرارهای تجاری بسیار بزرگ را محدود می‌کند. افراد به‌ندرت این تفاوت را متوجه میشوند؛ شرکت‌هایی که مدلی را جای‌گذاری می‌کنند باید ابتدا آن را بررسی کنند.
