LLM sumber terbuka terbaik pada 2026, dan kos untuk menjalankannya

Jawapan ringkas

Untuk keupayaan mentah pada skala pusat data, peneraju papan pendahulu pada pertengahan 2026 ialah Kimi K3, yang beratnya diterbitkan oleh Moonshot pada Julai 2026 dengan tetingkap konteks 1M token, dan DeepSeek V4, yang varian Pro-nya melaporkan 80.6% pada penanda aras pengekodan SWE-bench Verified di bawah lesen MIT. Kedua-duanya berdaya saing dengan model tertutup terkemuka pada penilaian awam.

Untuk satu GPU yang baik, model dense bersaiz sederhana Qwen adalah pilihan lalai. Untuk komputer riba tanpa GPU sama sekali, model kecil seperti Gemma adalah siling yang realistik. Dan bagi pembangun yang hanya mahukan inferens murah dan berkeupayaan melalui API, Llama 3.3 70B dan DeepSeek V3.2 menjawab dengan hanya sebahagian kecil daripada bayaran yang dikenakan oleh model frontier.

Tajuk yang jujur ialah soalan "model terbuka mana yang terbaik" kini mempunyai bentuk jawapan yang sama seperti model AI mana yang perlu digunakan secara umum: ia bergantung pada tugas dan tempat ia dijalankan, dan jurang dengan model tertutup telah menyempit cukup sehingga harga dan lesen selalunya menjadi penentu.

Sumber terbuka atau open weights? Lesen sebenarnya penting

Label "sumber terbuka" merangkumi tiga jenis perjanjian yang berbeza, dan perbezaan itu tidak kelihatan sehingga ia membebankan anda.

Lesen terbuka sebenar (MIT, Apache). DeepSeek mengeluarkan bawah lesen MIT: gunakan, ubah suai, bina produk komersial berdasarkannya, tanpa syarat yang perlu dibimbangkan. Ini adalah maksud paling tegas bagi sumber terbuka, dan pada 2026 beberapa model bertaraf frontier akhirnya membawanya.

Open weights dengan syarat. Lesen Llama milik Meta adalah contoh yang terkenal: beratnya boleh dimuat turun dan percuma untuk hampir semua orang, tetapi lesen itu menyekat penggunaan komersial berskala sangat besar dan kegunaan tertentu. Penjelasan Llama membincangkan sebab perbezaan ini sering dipertikaikan dalam talian.

Open weights, sekatan penyelidikan. Sesetengah keluaran membenarkan penggunaan penyelidikan dan peribadi tetapi menyekat penggunaan komersial sepenuhnya. Baca sebelum anda membina.

Bagi individu yang menggunakan model ini melalui produk sembang, semua ini tidak mengubah apa-apa. Bagi syarikat yang menghantar perisian berasaskan salah satu model ini, lesen adalah fakta pertama yang perlu disemak, sebelum sebarang penanda aras.

Model terbuka terkemuka pada 2026, dibandingkan

Harga adalah kadar API yang dihoskan bagi setiap juta token daripada indeks kos model Whizi, diambil pada 2026-08-20 daripada harga senarai OpenRouter. Angka penanda aras adalah keputusan yang dilaporkan oleh pembangun pada papan pendahulu awam.

Dua corak yang perlu diperhatikan. Pertama, tetingkap konteks 1M token, yang dahulunya menjadi titik jualan model tertutup, kini menjadi piawai merentasi keluaran terbuka; perbandingan tetingkap konteks menjejaki jadual penuh. Kedua, tahap harga minimum terus jatuh: Qwen3.7 Flash menjawab pertanyaan standard untuk $0.000095 pada indeks kos, yang menghargakan seribu jawapan bawah satu dime (10 sen).

Apa sebenarnya kos untuk menjalankannya?

Indeks kos Whizi menghargakan setiap model untuk satu jawapan standard, 1,000 token input tambah 500 token output, supaya kadar senarai boleh dibandingkan. Berdasarkan ukuran itu, model terbuka bukan sekadar lebih murah sedikit berbanding model tertutup terkemuka; ia adalah kategori ekonomi yang berbeza.

Satu jawapan standard daripada Llama 3.3 70B berharga $0.00026. Daripada DeepSeek V3.2, $0.00047. Daripada Kimi K3, model terbuka paling mahal dalam indeks, $0.0105. Model tertutup terkemuka berada pada $0.0175 hingga $0.035 untuk jawapan yang sama, dan jurang penuh indeks daripada model paling murah kepada paling mahal adalah kira-kira 2,000x. Seribu jawapan daripada Llama 3.3 berharga 26 sen; seribu yang sama daripada model tertutup terkemuka boleh melebihi $30.

Inilah sebabnya model terbuka secara senyap menggerakkan tingkat pantas atau ekonomik bagi banyak produk AI, dan sebabnya tugas bervolum tinggi, klasifikasi, pengekstrakan, peringkasan pada skala besar, hampir selalu jatuh pada mereka. Indeks kos secara langsung mempunyai jadual penuh 100 model dengan pengiraan setiap jawapan.

Amaran yang mengekalkan kejujuran ini: menjalankan berat sendiri hanya percuma jika masa dan perkakasan anda juga percuma. GPU yang mampu melayani model 70B dengan baik adalah pembelian bernilai empat digit, dan model bersaiz sederhana yang sesuai untuk satu GPU pengguna menukar keupayaan demi itu. Bagi kebanyakan orang, akses dihoskan kepada model terbuka merealisasikan kelebihan harga tanpa perlu perkakasan.

Model terbuka mana untuk tugas mana

Kerja bervolum tinggi, sensitif kos (ringkasan, pengekstrakan, penandaan): Llama 3.3 70B atau Qwen3.7 Flash. Pada sebahagian daripada sepersepuluh sen setiap jawapan, kos apabila kadang-kadang salah adalah lebih rendah daripada kos model premium yang betul.

Pengekodan: DeepSeek V4 Pro atau varian pengekodan Kimi K3. Angka SWE-bench yang dilaporkan meletakkan mereka dalam persaingan sebenar dengan pembantu pengekodan tertutup, dan lesen MIT menjadikan DeepSeek pilihan selamat untuk disematkan. Claude vs DeepSeek mengujinya secara langsung.

Dokumen panjang: mana-mana keluaran konteks 1M, dengan Llama 4 Maverick sebagai pilihan berjimat pada $0.20 setiap juta token input.

Tempatan dan peribadi: model bersaiz sederhana Qwen pada GPU 24 GB, atau model kecil bertaraf Gemma pada komputer riba. Privasi adalah mutlak, keupayaan adalah pertengahan, dan panduan Llama membincangkan jangkaan realistik untuk menjalankan secara tempatan.

Kerja pelbagai bahasa dan dihoskan di Eropah: Mistral Large 3, yang juga menjadi asas kepada penjelasan Mistral.

Di mana model terbuka masih kalah

Panduan yang jujur menamakan jurang-jurang ini, kerana ia benar-benar wujud dan ia menentukan pembelian.

Puncak penaakulan. Pada tugas penaakulan berbilang langkah dan agentik yang paling sukar, model tertutup terkemuka masih memegang kelebihan pada kebanyakan penilaian yang diterbitkan. Jurang itu menyempit secara drastik; ia belum tertutup.

Kehalusan dan produk. Open weights dihantar sebagai berat semata-mata. Mod suara, alat penyelidikan dalam, memori, dan ekosistem aplikasi adalah kejuruteraan produk yang digabungkan oleh penyedia tertutup, dan model terbuka menyerahkannya kepada sesiapa yang menghoskannya.

Konsistensi pengehosan. Model terbuka yang sama boleh berprestasi berbeza merentasi hos bergantung pada kuantisasi dan pilihan penyampaian, satu mod kegagalan yang tidak dimiliki oleh API tertutup. Jika model terbuka nampak tiba-tiba lebih lemah, hos adalah suspek sebelum model itu sendiri.

Sokongan dan akauntabiliti. Apabila model tertutup berkelakuan buruk, terdapat vendor. Apabila berat yang dihoskan sendiri berkelakuan buruk, hanya terdapat penjejak isu GitHub.

Tiga cara sebenar untuk menggunakannya

1. Melalui ruang kerja pelbagai model. Laluan tanpa persediaan: Whizi merangkumi model terbuka seperti Llama, DeepSeek, Kimi, Qwen, dan Mistral bersama GPT, Claude, dan Gemini, supaya terbuka-lawan-tertutup berhenti menjadi keputusan langganan dan menjadi keputusan setiap soalan. Hantar kerja bervolum kepada model terbuka yang murah dan penaakulan sukar kepada model terkemuka dalam perbualan yang sama.

2. Melalui API. Bagi pembangun, model terbuka yang dihoskan pada harga di atas adalah sebab utama untuk melihat lebih jauh daripada penyedia frontier bagi beban kerja produksi.

3. Pada perkakasan anda sendiri. Ollama dan LM Studio menjadikan penjalanan tempatan benar-benar mudah sekarang. Pilih ini untuk privasi atau keperluan luar talian, bukan untuk penjimatan; elektrik itu murah tetapi GPU tidak.