התשובה הקצרה
ליכולת גולמית בקנה מידה של מרכז נתונים, מובילי טבלאות הדירוג באמצע 2026 הם Kimi K3, שאת המשקלים שלו פרסמה Moonshot ביולי 2026 עם חלון הקשר של 1M טוקנים, ו-DeepSeek V4, שהגרסה Pro שלו מדווחת על 80.6% במבחן הקוד SWE-bench Verified תחת רישיון MIT. שניהם מתחרים במודלים הסגורים המובילים במבחני ביצועים פומביים.
לכרטיס גרפי טוב בודד, מודלי ה-Qwen בגודל בינוני צפופים הם הבחירה המובנת מאליה. למחשב נייד ללא כרטיס גרפי כלל, מודלים קטנים כמו Gemma הם התקרה המעשית. ולמפתחים שרק רוצים היסק זול ומסוגל דרך API, Llama 3.3 70B ו-DeepSeek V3.2 עונים בשבריר זעיר ממה שגובים המודלים המובילים.
הכותרת ההוגנת היא ש"איזה מודל פתוח הכי טוב" עכשיו מקבלת אותה צורת תשובה כמו איזה מודל AI לבחור בכלל: זה תלוי במשימה ובאיפה היא רצה, והפער למודלים הסגורים הצטמצם מספיק שהמחיר והרישיון לעיתים קרובות מכריעים.
open source או open weights? הרישיון באמת משנה
התווית "open source" מכסה שלוש עסקאות שונות, וההבדל בלתי נראה עד שהוא עולה לכם כסף.
רישיונות פתוחים אמיתיים (MIT, Apache). DeepSeek משחררת תחת MIT: השתמשו בו, שנו אותו, בנו עליו מוצר מסחרי, אין תנאים ששווה לדאוג מהם. זו המשמעות המחמירה ביותר של open source, וב-2026 כמה מודלים ברמת חזית סוף סוף נושאים אותה.
open weights עם תנאים. רישיון ה-Llama של Meta הוא הדוגמה המפורסמת: המשקלים ניתנים להורדה וחינמיים כמעט לכולם, אבל הרישיון מגביל פריסות מסחריות בקנה מידה גדול מאוד ושימושים מסוימים. מדריך ה-Llama מסביר למה ההבחנה הזו נתונה לוויכוח ברשת.
open weights, הגבלות מחקר. חלק מהשחרורים מתירים שימוש מחקרי ואישי אך אוסרים לגמרי פריסה מסחרית. קראו לפני שאתם בונים.
עבור אדם פרטי שמשתמש במודלים האלה דרך מוצר צ'אט, שום דבר מזה לא משנה. עבור חברה שבונה תוכנה מעליו, הרישיון הוא העובדה הראשונה לבדוק, לפני כל מבחן ביצועים.
המודלים הפתוחים המובילים של 2026, בהשוואה
המחירים הם תעריפי API בענן לכל מיליון טוקנים ממדד העלות של Whizi, שנשלף ב-2026-08-20 ממחירי הרשימה של OpenRouter. נתוני הביצועים הם התוצאות שדיווחו המפתחים בטבלאות דירוג פומביות.
| מודל | רישיון | הקשר | קלט / פלט ל-1M טוקנים | עובדה בולטת |
|---|---|---|---|---|
| Kimi K3 (Moonshot) | open weights | 1M | $3.00 / $15.00 | המשקלים פורסמו ביולי 2026; מוביל בטבלאות הדירוג הפתוחות |
| DeepSeek V3.2 | MIT | 164K | $0.27 / $0.40 | תשובות ברמת חזית במחירי סחורה |
| DeepSeek V4 Pro | MIT | 1M | $1.19 / $3.56 | מדווח על 80.6% ב-SWE-bench Verified |
| Llama 4 Maverick (Meta) | רישיון Llama | 1M | $0.20 / $0.80 | חלון ההקשר הזול ביותר של 1M במדד |
| Llama 3.3 70B (Meta) | רישיון Llama | 131K | $0.10 / $0.32 | סוס העבודה: בכל מקום, וכמעט חינם |
| Mistral Large 3 | open weights | 262K | $0.50 / $1.50 | השחרור הפתוח האירופי החזק ביותר |
| Qwen3.7 Flash | Apache | 1M | $0.03 / $0.13 | חלון הקשר של 1M במחיר הנמוך ביותר בקטגוריה |
שני דפוסים ששווה לשים לב אליהם. ראשית, חלונות הקשר של 1M טוקנים, שפעם היו יתרון של מודלים סגורים, הפכו עכשיו לתקן בין השחרורים הפתוחים; השוואת חלון ההקשר עוקבת אחרי הטבלה המלאה. שנית, רצפת המחיר ממשיכה לרדת: Qwen3.7 Flash עונה על שאילתה סטנדרטית ב-$0.000095 במדד העלות, כלומר אלף תשובות בפחות מעשרה סנט.
כמה באמת עולה להריץ אותם?
מדד העלות של Whizi מתמחר כל מודל עבור תשובה סטנדרטית אחת, 1,000 טוקני קלט ועוד 500 טוקני פלט, כך שתעריפי הרשימה הופכים להשוואתיים. לפי מדד זה, המודלים הפתוחים לא פשוט קצת יותר זולים מהמובילים הסגורים; הם קטגוריה כלכלית אחרת לגמרי.
תשובה סטנדרטית מ-Llama 3.3 70B עולה $0.00026. מ-DeepSeek V3.2, $0.00047. מ-Kimi K3, המודל הפתוח היקר ביותר במדד, $0.0105. המובילים הסגורים נעים בין $0.0175 ל-$0.035 עבור אותה תשובה, וטווח המדד המלא מהזול ליקר הוא בערך פי 2,000. אלף תשובות מ-Llama 3.3 עולות 26 סנט; אותו אלף ממודל סגור מוביל יכול לעבור $30.
זו הסיבה שהמודלים הפתוחים מפעילים בשקט את השכבה המהירה או החסכונית של מוצרי AI רבים, ולמה משימות בנפח גבוה, סיווג, חילוץ מידע, סיכום בקנה מידה, כמעט תמיד נופלות עליהם. למדד העלות החי יש את הטבלה המלאה של 100 מודלים עם חישוב לכל תשובה.
ההסתייגות ששומרת על ההגינות: הרצת המשקלים בעצמכם היא חינמית רק אם הזמן והחומרה שלכם חינמיים. כרטיס גרפי שמסוגל לשרת היטב מודל של 70B הוא רכישה בת ארבע ספרות, והמודלים בגודל בינוני שמתאימים לכרטיס גרפי צרכני אחד מוותרים על יכולת בתמורה. עבור רוב האנשים, גישה מתארחת למודלים פתוחים תופסת את יתרון המחיר בלי החומרה.
איזה מודל פתוח לאיזו עבודה
עבודה בנפח גבוה ורגישה לעלות (סיכומים, חילוץ מידע, תיוג): Llama 3.3 70B או Qwen3.7 Flash. בשברירים של עשירית הסנט לתשובה, העלות של טעות מדי פעם נמוכה מהעלות של מודל פרימיום שצודק תמיד.
כתיבת קוד: DeepSeek V4 Pro או הגרסאות הייעודיות לקוד של Kimi K3. נתוני ה-SWE-bench המדווחים שמים אותם בתחרות אמיתית מול עוזרי קוד סגורים, ורישיון MIT הופך את DeepSeek לבחירה הבטוחה להטמעה. Claude מול DeepSeek בוחן את זה ראש בראש.
מסמכים ארוכים: כל אחד משחרורי ה-1M הקשר, כאשר Llama 4 Maverick היא הבחירה החסכונית ב-$0.20 למיליון טוקני קלט.
מקומי ופרטי: מודל Qwen בגודל בינוני על כרטיס גרפי 24GB, או מודלים קטנים מסוג Gemma על מחשב נייד. הפרטיות מוחלטת, היכולת ברמה בינונית, ומדריך ה-Llama מכסה ציפיות מציאותיות להרצה מקומית.
עבודה רב-לשונית ומתארחת באירופה: Mistral Large 3, שגם מעגן את מדריך ה-Mistral.
איפה המודלים הפתוחים עדיין מפסידים
מדריך הוגן קורא לפערים בשמם, כי הם אמיתיים והם מכריעים רכישות.
הפסגה של החשיבה. במשימות ההיסק רב-השלבי והאוטונומיות הקשות ביותר, המודלים הסגורים המובילים עדיין שומרים על יתרון ברוב מבחני הביצועים הפומביים. הפער נסגר דרמטית; הוא לא נסגר לגמרי.
ליטוש ומוצר. משקלים פתוחים משתחררים כמשקלים. מצבי קול, כלי מחקר מעמיק, זיכרון ומערכות אפליקציות הם הנדסת מוצר שספקים סגורים אורזים יחד, ומודלים פתוחים משאירים למי שמארח אותם.
עקביות באירוח. אותו מודל פתוח יכול לתפקד אחרת בין מארחים שונים בהתאם לבחירות כימות והגשה, כשל שלמודלים סגורים דרך API אין. אם מודל פתוח נראה פתאום גרוע יותר, המארח חשוד לפני המודל.
תמיכה ואחריות. כשמודל סגור מתנהג רע יש ספק. כשמשקלים בהרצה עצמית מתנהגים רע, יש מעקב תקלות ב-GitHub.
שלוש דרכים באמת להשתמש באחד
1. דרך סביבת עבודה מרובת מודלים. המסלול ללא הגדרות: Whizi כוללת מודלים פתוחים כמו Llama, DeepSeek, Kimi, Qwen ו-Mistral לצד GPT, Claude ו-Gemini, כך שפתוח מול סגור מפסיק להיות החלטת מנוי והופך להחלטה לכל שאלה. שלחו את עבודת הנפח למודלים הפתוחים הזולים ואת החשיבה הקשה למודל מוביל באותה שיחה.
2. דרך API. למפתחים, מודלים פתוחים מתארחים במחירים שלמעלה הם הסיבה העיקרית להסתכל מעבר לספקי החזית עבור עומסי עבודה בייצור.
3. על החומרה שלכם. Ollama ו-LM Studio הופכים הרצה מקומית לקלה באמת עכשיו. בחרו באפשרות הזו לצורך פרטיות או שימוש ללא רשת, לא לחיסכון; החשמל זול אבל הכרטיס הגרפי לא.
- בדקו את הרישיון לפני בנייה של כל דבר מסחרי: MIT ו-Apache ללא תנאים, רישיונות בסגנון Llama לא
- נתבו משימות בנפח גבוה למודלים פתוחים קודם; פער המחיר לתשובה הוא פי 20 עד 100
- התייחסו למבחני הביצועים המדווחים כרשימה ראשונית, ואז בדקו על המשימה שלכם לפני התחייבות
- אם מודל פתוח מתארח לא מספק ביצועים טובים, נסו מארח אחר לפני שמאשימים את המודל
- הריצו מקומית לצורך פרטיות או שימוש ללא רשת, לא כדי לחסוך כסף
- שמרו מודל חזית אחד זמין למשימות שבהן הפער עדיין ניכר
שאלות נפוצות
מהו open source llm הטוב ביותר כרגע?
בטבלאות דירוג פומביות באמצע 2026, Kimi K3 מוביל באופן כללי בין השחרורים הפתוחים, כש-DeepSeek V4 Pro קרוב מאחוריו ומחזיק בתוצאות הקוד החזקות ביותר תחת רישיון MIT אמיתי. לכרטיס גרפי בודד, מודלי Qwen בגודל בינוני צפופים הם הבחירה הרגילה. הדירוג משתנה כל כמה חודשים, אז התייחסו לכל תשובה סטטית כרשימה ראשונית בלבד.
האם מודלי open source llm טובים כמו ChatGPT או Claude?
לפי הרבה מבחני ביצועים פומביים, המודלים הפתוחים הטובים ביותר עכשיו קרובים לכמה נקודות מהמובילים הסגורים, ולשאלות יומיומיות ההבדל קשה להבחין בו. המודלים הסגורים שומרים על יתרון במשימות ההיסק הקשות ביותר ומגיעים עם הרבה יותר ליטוש מוצרי: קול, כלי מחקר וזיכרון. לעבודה בנפח גבוה או רגישה לעלות, מודלים פתוחים הם לעיתים קרובות הבחירה הטובה יותר.
האם מודלי open source llm באמת חינם?
המשקלים חינמיים להורדה; החישוב אף פעם לא. הרצת מודל מסוגל בעצמכם דורשת כרטיס גרפי רציני, וגישה מתארחת מתומחרת לפי טוקן, אבל מאוד בזול: בערך $0.0003 לתשובה סטנדרטית מ-Llama 3.3 70B מול $0.02 או יותר עבור מודל סגור מוביל. חינם במובן הרישיון, זול במובן המעשי.
האם אפשר להריץ open source llm על מחשב נייד?
כן, עם ציפיות מותאמות. כלים כמו Ollama ו-LM Studio מריצים מודלים קטנים ובגודל בינוני על חומרה צרכנית, ומחשב נייד ללא כרטיס גרפי חזק מסתדר עם הקטנים. מקבלים פרטיות מוחלטת ושימוש ללא רשת; מוותרים על היכולת של המודלים הגדולים, שדורשים חומרת מרכז נתונים או ספק מתארח.
מה ההבדל בין open source ל-open weights?
open source במובן המחמיר פירושו רישיון כמו MIT או Apache ללא הגבלות משמעותיות, שאותו נושאים שחרורי DeepSeek ו-Qwen. open weights פירושו שהמודל ניתן להורדה אבל הרישיון מצרף תנאים, כמו רישיון ה-Llama שמגביל פריסות מסחריות גדולות מאוד. אנשים פרטיים כמעט ולא שמים לב להבדל; חברות שמטמיעות מודל חייבות לבדוק אותו קודם.
