La risposta breve
Per capacità pura a scala data center, i leader di classifica a metà 2026 sono Kimi K3, i cui pesi Moonshot ha pubblicato a luglio 2026 con una finestra di contesto da 1M token, e DeepSeek V4, la cui variante Pro riporta l'80,6% sul benchmark di coding SWE-bench Verified con licenza MIT. Entrambi sono competitivi con i flagship chiusi nelle valutazioni pubbliche.
Per una singola buona GPU, i modelli dense di taglia media Qwen sono la scelta predefinita. Per un laptop senza GPU, modelli piccoli come Gemma rappresentano il tetto realistico. E per gli sviluppatori che vogliono semplicemente inferenza economica e capace tramite API, Llama 3.3 70B e DeepSeek V3.2 rispondono per una frazione minima di quanto costano i modelli di frontiera.
Il titolo onesto è che "quale modello open è il migliore" ha ormai la stessa struttura di risposta di quale modello di IA usare in generale: dipende dal compito e da dove viene eseguito, e il divario con i modelli chiusi si è ridotto tanto che spesso decidono il prezzo e la licenza.
Open source o open weights? La licenza conta davvero
L'etichetta "open source" copre tre accordi diversi, e la differenza è invisibile finché non ti costa qualcosa.
Licenze davvero open (MIT, Apache). DeepSeek rilascia con licenza MIT: usalo, modificalo, costruisci un prodotto commerciale su di esso, nessuna condizione degna di preoccupazione. È il significato più rigoroso di open source, e nel 2026 diversi modelli di livello frontiera finalmente la portano.
Open weights con condizioni. La licenza Llama di Meta è l'esempio famoso: i pesi sono scaricabili e gratuiti per quasi tutti, ma la licenza limita le implementazioni commerciali a scala molto ampia e alcuni usi specifici. La guida su Llama spiega perché questa distinzione viene discussa online.
Open weights, restrizioni di ricerca. Alcune pubblicazioni consentono ricerca e uso personale ma vietano completamente l'implementazione commerciale. Leggi prima di costruire.
Per una persona che usa questi modelli tramite un prodotto di chat, nulla di tutto ciò cambia qualcosa. Per un'azienda che rilascia software sopra uno di essi, la licenza è il primo fatto da controllare, prima di qualsiasi benchmark.
I principali modelli open del 2026, a confronto
I prezzi sono le tariffe API ospitate per milione di token dall'indice dei costi dei modelli di Whizi, rilevate il 2026-08-20 dai prezzi di listino OpenRouter. Le cifre dei benchmark sono i risultati riportati dagli sviluppatori sulle classifiche pubbliche.
| Modello | Licenza | Contesto | Input / output per 1M token | Fatto distintivo |
|---|---|---|---|---|
| Kimi K3 (Moonshot) | Open weights | 1M | $3.00 / $15.00 | Pesi pubblicati a luglio 2026; guida le classifiche open |
| DeepSeek V3.2 | MIT | 164K | $0.27 / $0.40 | Risposte di livello frontiera a prezzi da commodity |
| DeepSeek V4 Pro | MIT | 1M | $1.19 / $3.56 | Riporta l'80,6% su SWE-bench Verified |
| Llama 4 Maverick (Meta) | Licenza Llama | 1M | $0.20 / $0.80 | Contesto da 1M più economico dell'indice |
| Llama 3.3 70B (Meta) | Licenza Llama | 131K | $0.10 / $0.32 | Il cavallo di battaglia: ovunque, e quasi gratuito |
| Mistral Large 3 | Open weights | 262K | $0.50 / $1.50 | La più forte pubblicazione open europea |
| Qwen3.7 Flash | Apache | 1M | $0.03 / $0.13 | Contesto da 1M al prezzo più basso della sua categoria |
Due schemi da notare. Primo, le finestre di contesto da 1M token, un tempo punto di forza dei modelli chiusi, sono ora standard tra le pubblicazioni open; il confronto tra finestre di contesto tiene traccia della tabella completa. Secondo, il prezzo minimo continua a scendere: Qwen3.7 Flash risponde a una query standard per $0.000095 sull'indice dei costi, cioè mille risposte sotto i dieci centesimi.
Quanto costa davvero farli girare?
L'indice dei costi di Whizi valuta ogni modello per una risposta standard, 1.000 token di input più 500 di output, così le tariffe di listino diventano comparabili. Su questa misura, i modelli open non sono leggermente più economici dei flagship chiusi: sono una categoria economica diversa.
Una risposta standard da Llama 3.3 70B costa $0.00026. Da DeepSeek V3.2, $0.00047. Da Kimi K3, il modello open più costoso dell'indice, $0.0105. I flagship chiusi si collocano tra $0.0175 e $0.035 per la stessa risposta, e lo spread completo dell'indice tra il modello più economico e quello più costoso è di circa 2.000 volte. Mille risposte da Llama 3.3 costano 26 centesimi; le stesse mille da un flagship chiuso possono superare $30.
Ecco perché i modelli open alimentano silenziosamente il livello rapido o economico di molti prodotti IA, e perché i compiti ad alto volume, classificazione, estrazione, riassunto su scala, quasi sempre finiscono su di essi. L'indice dei costi live ha la tabella completa con 100 modelli e il calcolo per risposta.
L'avvertenza che mantiene tutto onesto: eseguire i pesi da soli è gratuito solo se il tuo tempo e il tuo hardware lo sono. Una GPU capace di servire bene un modello da 70B è un acquisto a quattro cifre, e i modelli di taglia media che si adattano a una singola GPU consumer cedono capacità in cambio. Per la maggior parte delle persone, l'accesso ospitato ai modelli open catturano il vantaggio di prezzo senza l'hardware.
Quale modello open per quale lavoro
Lavoro ad alto volume, sensibile al costo (riassunti, estrazione, etichettatura): Llama 3.3 70B o Qwen3.7 Flash. A frazioni di un decimo di centesimo per risposta, il costo di sbagliare occasionalmente è inferiore al costo di un modello premium che ha ragione.
Coding: DeepSeek V4 Pro o le varianti per il coding di Kimi K3. I numeri riportati su SWE-bench li mettono in vera competizione con gli assistenti di coding chiusi, e la licenza MIT rende DeepSeek la scelta sicura da integrare. Claude vs DeepSeek li testa a confronto diretto.
Documenti lunghi: qualsiasi pubblicazione con contesto da 1M, con Llama 4 Maverick come scelta economica a $0.20 per milione di token di input.
Uso locale e privato: un modello di taglia media Qwen su una GPU da 24 GB, o modelli piccoli di classe Gemma su un laptop. La privacy è assoluta, la capacità è di livello medio, e la guida su Llama spiega le aspettative realistiche per l'esecuzione locale.
Lavoro multilingue e ospitato in Europa: Mistral Large 3, che ancora anche la guida su Mistral.
Dove i modelli open perdono ancora
Una guida onesta indica i divari, perché sono reali e determinano le scelte di acquisto.
Il vertice del ragionamento. Sui compiti di ragionamento multi-passo e agentici più difficili, i flagship chiusi mantengono ancora il vantaggio nella maggior parte delle valutazioni pubblicate. Il divario si è chiuso drasticamente; non si è chiuso.
Rifinitura e prodotto. I pesi open vengono rilasciati come pesi. Modalità vocali, strumenti di ricerca approfondita, memoria ed ecosistemi di app sono ingegneria di prodotto che i fornitori chiusi integrano e che i modelli open lasciano a chi li ospita.
Coerenza dell'hosting. Lo stesso modello open può comportarsi diversamente tra diversi host in base alla quantizzazione e alle scelte di servizio, una modalità di guasto che le API chiuse non hanno. Se un modello open sembra improvvisamente peggiore, l'host è sospettato prima del modello.
Supporto e responsabilità. Quando un modello chiuso si comporta male c'è un fornitore. Quando pesi auto-ospitati si comportano male, c'è un tracker di issue su GitHub.
Tre modi per usarne davvero uno
1. Tramite un workspace multi-modello. La strada senza configurazione: Whizi include modelli open come Llama, DeepSeek, Kimi, Qwen e Mistral insieme a GPT, Claude e Gemini, così open contro chiuso smette di essere una decisione da abbonamento e diventa una decisione per singola domanda. Manda il lavoro ad alto volume ai modelli open economici e il ragionamento difficile a un flagship nella stessa conversazione.
2. Tramite un'API. Per gli sviluppatori, i modelli open ospitati ai prezzi indicati sopra sono il motivo principale per guardare oltre i fornitori di frontiera nei carichi di lavoro in produzione.
3. Sul tuo hardware. Ollama e LM Studio rendono ormai l'esecuzione locale davvero semplice. Scegli questa opzione per privacy o esigenze offline, non per il risparmio; l'elettricità è economica ma la GPU non lo è.
- Controlla la licenza prima di costruire qualcosa di commerciale: MIT e Apache sono senza condizioni, le licenze in stile Llama non lo sono
- Instrada prima i compiti ad alto volume verso i modelli open; il divario di prezzo per risposta è da 20 a 100 volte
- Considera i benchmark riportati come una preselezione, poi testa sul tuo compito prima di deciderti
- Se un modello open ospitato rende poco, provate un host diverso prima di incolpare il modello
- Esegui in locale per privacy o uso offline, non per risparmiare
- Mantieni sempre disponibile un modello di frontiera per i compiti dove il divario si vede ancora
Domande frequenti
Qual è il miglior LLM open source al momento?
Nelle classifiche pubblicate a metà 2026, Kimi K3 guida complessivamente tra le pubblicazioni open, con DeepSeek V4 Pro subito dietro e con i migliori risultati di coding grazie a una vera licenza MIT. Per una singola GPU, i modelli dense di taglia media Qwen sono la scelta abituale. La classifica si muove ogni pochi mesi, quindi trattate qualsiasi risposta statica come una preselezione di partenza.
Gli LLM open source sono bravi quanto ChatGPT o Claude?
Su molti benchmark pubblicati, i migliori modelli open sono ormai a pochi punti dai flagship chiusi, e per le domande quotidiane la differenza è difficile da notare. I modelli chiusi mantengono un vantaggio sui compiti di ragionamento più difficili e offrono una rifinitura di prodotto molto superiore: voce, strumenti di ricerca e memoria. Per lavori ad alto volume o sensibili al costo, i modelli open sono spesso la scelta migliore.
Gli LLM open source sono davvero gratuiti?
I pesi sono gratuiti da scaricare; il calcolo non lo è mai. Eseguire un modello capace da soli richiede una GPU seria, e l'accesso ospitato ha un prezzo per token, ma molto basso: circa $0.0003 per risposta standard con Llama 3.3 70B contro $0.02 o più per un flagship chiuso. Gratuiti nel senso della licenza, economici nel senso pratico.
Posso eseguire un LLM open source sul mio laptop?
Sì, con aspettative adeguate. Strumenti come Ollama e LM Studio eseguono modelli piccoli e di taglia media su hardware consumer, e un laptop senza una GPU potente gestisce i più piccoli. Ottieni privacy completa e uso offline; rinunci alla capacità dei modelli grandi, che richiedono hardware da data center o un fornitore ospitato.
Qual è la differenza tra open source e open weights?
Open source in senso stretto significa una licenza come MIT o Apache senza restrizioni significative, che le pubblicazioni DeepSeek e Qwen portano. Open weights significa che il modello è scaricabile ma la licenza applica condizioni, come la licenza Llama che limita le implementazioni commerciali su scala molto ampia. I singoli utenti raramente notano la differenza; le aziende che integrano un modello devono controllarla prima.
