Beste open source LLM i 2026, og hva de koster å kjøre

Det korte svaret

For rå kapasitet i datasenterskala er rangeringslederne midtveis i 2026 Kimi K3, hvis vekter Moonshot publiserte i juli 2026 med et kontekstvindu på 1M tokens, og DeepSeek V4, hvis Pro-variant rapporterer 80,6 % på SWE-bench Verified-kodebenchmarken under en MIT-lisens. Begge er konkurransedyktige med lukkede flaggskip på offentlige evalueringer.

For et enkelt godt GPU-kort er Qwen-modellene i mellomstørrelse standardvalget. For en bærbar helt uten GPU er små modeller som Gemma det realistiske taket. Og for utviklere som bare vil ha billig, dyktig inferens via et API, svarer Llama 3.3 70B og DeepSeek V3.2 for en liten brøkdel av det frontmodeller tar betalt.

Den ærlige overskriften er at "hvilken åpen modell er best" nå har samme svarform som hvilken AI-modell du bør bruke generelt: det kommer an på oppgaven og hvor den kjører, og gapet til lukkede modeller har krympet nok til at pris og lisens ofte avgjør.

Open source eller open weights? Lisensen betyr faktisk noe

Merkelappen "open source" dekker tre forskjellige avtaler, og forskjellen er usynlig helt til den koster deg noe.

Ekte åpne lisenser (MIT, Apache). DeepSeek gir ut under MIT: bruk det, endre det, bygg et kommersielt produkt på det, ingen betingelser å bry seg om. Dette er den strengeste betydningen av open source, og i 2026 bærer flere modeller på frontnivå den endelig.

Open weights med betingelser. Metas Llama-lisens er det kjente eksempelet: vektene er nedlastbare og gratis for nesten alle, men lisensen begrenser svært store kommersielle utrullinger og visse bruksområder. Llama-forklaringen dekker hvorfor dette skillet diskuteres på nettet.

Open weights, forskningsbegrensninger. Noen utgivelser tillater forskning og personlig bruk, men begrenser kommersiell utrulling helt. Les før du bygger.

For en enkeltperson som bruker disse modellene gjennom et chatprodukt, endrer ingenting av dette noe. For et selskap som skal levere programvare oppå én, er lisensen det første faktumet å sjekke, før noen benchmark.

De ledende åpne modellene i 2026, sammenlignet

Prisene er verts-baserte API-satser per million tokens fra Whizis kostindeks for modeller, hentet 2026-08-20 fra OpenRouters listepriser. Benchmarktall er utviklernes egne rapporterte resultater på offentlige rangeringer.

To mønstre verdt å legge merke til. For det første er kontekstvinduer på 1M tokens, som tidligere var et salgsargument for lukkede modeller, nå standard blant åpne utgivelser; kontekstvindusammenligningen sporer hele tabellen. For det andre synker prisgulvet stadig: Qwen3.7 Flash svarer på et standardspørsmål for $0.000095 på kostindeksen, som prissetter tusen svar til under en tier.

Hva koster de egentlig å kjøre?

Whizis kostindeks priser hver modell for ett standardsvar, 1000 input-tokens pluss 500 output-tokens, slik at listepriser blir sammenlignbare. Etter det målet er de åpne modellene ikke bare litt billigere enn lukkede flaggskip, de er i en annen økonomisk kategori.

Et standardsvar fra Llama 3.3 70B koster $0.00026. Fra DeepSeek V3.2, $0.00047. Fra Kimi K3, den dyreste åpne modellen i indeksen, $0.0105. De lukkede flaggskipene ligger på $0.0175 til $0.035 for samme svar, og hele indeksens spenn fra billigst til dyrest er om lag 2000x. Tusen svar fra Llama 3.3 koster 26 cent, de samme tusen fra et lukket flaggskip kan passere $30.

Dette er grunnen til at åpne modeller stille driver det raske eller økonomiske tieret i mange AI-produkter, og hvorfor høyvolumoppgaver, klassifisering, ekstraksjon, sammendrag i stor skala, nesten alltid havner på dem. Den live kostindeksen har hele 100-modellstabellen med matematikken per svar.

Forbeholdet som holder dette ærlig: å kjøre vekter selv er bare gratis hvis din tid og maskinvare er det. Et GPU-kort som kan betjene en 70B-modell godt, er et kjøp med fire sifre, og modellene i mellomstørrelse som passer på ett forbruker-GPU, bytter bort kapasitet for det. For de fleste fanger vertsbasert tilgang til åpne modeller prisfordelen uten maskinvaren.

Hvilken åpen modell for hvilken jobb

Høyvolum, kostnadssensitivt arbeid (sammendrag, ekstraksjon, tagging): Llama 3.3 70B eller Qwen3.7 Flash. Til brøkdeler av en tidel cent per svar er kostnaden ved å ta feil av og til lavere enn kostnaden ved at en premiummodell har rett.

Koding: DeepSeek V4 Pro eller Kimi K3 sine kodevarianter. De rapporterte SWE-bench-tallene setter dem i reell konkurranse med lukkede kodeassistenter, og MIT-lisensiering gjør DeepSeek til det trygge valget å bygge inn. Claude mot DeepSeek tester dette hode mot hode.

Lange dokumenter: hvilken som helst av 1M-kontekstutgivelsene, med Llama 4 Maverick som budsjettvalget til $0.20 per million input-tokens.

Lokalt og privat: en Qwen-modell i mellomstørrelse på et 24 GB GPU-kort, eller Gemma-klasse småmodeller på en bærbar. Personvernet er absolutt, kapasiteten er middels, og Llama-guiden dekker realistiske forventninger til lokal kjøring.

Flerspråklig og europeisk-vertsbasert arbeid: Mistral Large 3, som også forankrer Mistral-forklaringen.

Hvor åpne modeller fortsatt taper

En ærlig guide navngir svakhetene, fordi de er reelle og avgjør kjøp.

Den aller øverste tenkeevnen. På de vanskeligste flertrinns resonnement- og agentoppgavene holder lukkede flaggskip fortsatt fordelen på de fleste publiserte evalueringer. Gapet krympet dramatisk, det er ikke lukket.

Finpuss og produkt. Open weights leveres som vekter. Stemmemoduser, dyp forskning-verktøy, minne og appøkosystemer er produktarbeid som lukkede leverandører pakker inn, mens åpne modeller overlater det til den som er vert.

Konsistens i vertskapet. Samme åpne modell kan yte forskjellig avhengig av vert, kvantisering og serveringsvalg, en feilmodus lukkede API-er ikke har. Hvis en åpen modell plutselig virker dårligere, er verten en mistenkt før modellen er det.

Support og ansvar. Når en lukket modell oppfører seg dårlig, finnes det en leverandør. Når selvvertede vekter oppfører seg dårlig, finnes det en GitHub-sak.

Tre måter å faktisk bruke en på

1. Gjennom en flermodell-arbeidsflate. Ruten uten oppsett: Whizi inkluderer åpne modeller som Llama, DeepSeek, Kimi, Qwen og Mistral ved siden av GPT, Claude og Gemini, slik at åpen mot lukket slutter å være en abonnementsbeslutning og blir en per-spørsmål-beslutning. Send volumarbeidet til de billige åpne modellene og den vanskelige resonneringen til et flaggskip i samme samtale.

2. Gjennom et API. For utviklere er verts-baserte åpne modeller til prisene ovenfor hovedgrunnen til å se forbi frontleverandørene for produksjonsarbeid.

3. På din egen maskinvare. Ollama og LM Studio gjør lokal kjøring reelt enkel nå. Velg dette for personvern eller behov uten nett, ikke for besparelser, strømmen er billig, men GPU-kortet er det ikke.