Het korte antwoord
Voor pure vaardigheid op datacenterschaal zijn de ranglijstleiders midden 2026 Kimi K3, waarvan Moonshot de weights in juli 2026 publiceerde met een contextvenster van 1M tokens, en DeepSeek V4, waarvan de Pro-variant 80.6% scoort op de SWE-bench Verified codeerbenchmark onder een MIT-licentie. Beide zijn concurrerend met gesloten vlaggenschepen op publieke evaluaties.
Voor één goede GPU zijn de middelgrote dense modellen van Qwen de standaardkeuze. Voor een laptop zonder GPU zijn kleine modellen zoals Gemma het realistische plafond. En voor ontwikkelaars die gewoon goedkope, capabele inference via een API willen, antwoorden Llama 3.3 70B en DeepSeek V3.2 voor een fractie van wat frontier-modellen rekenen.
De eerlijke conclusie is dat "welk open model het beste is" nu dezelfde antwoordvorm heeft als welk AI-model te gebruiken in het algemeen: het hangt af van de taak en waar het draait, en het verschil met gesloten modellen is klein genoeg geworden dat prijs en licentie vaak de doorslag geven.
Opensource of open weights? De licentie doet er echt toe
Het label "opensource" dekt drie verschillende afspraken, en het verschil is onzichtbaar totdat het je iets kost.
Echt open licenties (MIT, Apache). DeepSeek brengt uit onder MIT: gebruik het, wijzig het, bouw er een commercieel product op, zonder voorwaarden om je zorgen over te maken. Dit is de strengste betekenis van opensource, en in 2026 dragen eindelijk meerdere frontier-modellen deze licentie.
Open weights met voorwaarden. De Llama-licentie van Meta is het bekende voorbeeld: de weights zijn te downloaden en gratis voor bijna iedereen, maar de licentie beperkt zeer grootschalige commerciële inzet en bepaalde toepassingen. De Llama-uitleg behandelt waarom hierover online wordt gediscussieerd.
Open weights, onderzoeksbeperkingen. Sommige releases staan onderzoek en persoonlijk gebruik toe, maar beperken commerciële inzet volledig. Lees dit voordat je bouwt.
Voor iemand die deze modellen via een chatproduct gebruikt, verandert dit allemaal niets. Voor een bedrijf dat software erop bouwt, is de licentie het eerste feit om te controleren, nog voor elke benchmark.
De beste open modellen van 2026, vergeleken
Prijzen zijn gehoste API-tarieven per miljoen tokens uit de Whizi-modelkostenindex, opgehaald op 2026-08-20 uit de lijstprijzen van OpenRouter. Benchmarkcijfers zijn de door ontwikkelaars gerapporteerde resultaten op publieke ranglijsten.
| Model | Licentie | Context | Input / output per 1M tokens | Opvallend feit |
|---|---|---|---|---|
| Kimi K3 (Moonshot) | Open weights | 1M | $3.00 / $15.00 | Weights gepubliceerd in juli 2026; leidt open ranglijsten |
| DeepSeek V3.2 | MIT | 164K | $0.27 / $0.40 | Antwoorden van frontier-klasse tegen bodemprijzen |
| DeepSeek V4 Pro | MIT | 1M | $1.19 / $3.56 | Rapporteert 80.6% op SWE-bench Verified |
| Llama 4 Maverick (Meta) | Llama-licentie | 1M | $0.20 / $0.80 | Goedkoopste 1M context in de index |
| Llama 3.3 70B (Meta) | Llama-licentie | 131K | $0.10 / $0.32 | Het werkpaard: overal, en bijna gratis |
| Mistral Large 3 | Open weights | 262K | $0.50 / $1.50 | De sterkste Europese open release |
| Qwen3.7 Flash | Apache | 1M | $0.03 / $0.13 | 1M context tegen de laagste prijs in zijn klasse |
Twee patronen zijn het vermelden waard. Ten eerste zijn contextvensters van 1M tokens, ooit een verkoopargument van gesloten modellen, nu standaard bij open releases; de contextvenstervergelijking houdt de volledige tabel bij. Ten tweede blijft de prijsvloer dalen: Qwen3.7 Flash beantwoordt een standaardvraag voor $0.000095 op de kostenindex, wat duizend antwoorden onder een dubbeltje prijst.
Wat kosten ze werkelijk om te draaien?
De Whizi-kostenindex prijst elk model voor één standaardantwoord, 1,000 inputtokens plus 500 outputtokens, zodat lijstprijzen vergelijkbaar worden. Op die maat zijn open modellen niet een beetje goedkoper dan gesloten vlaggenschepen; ze vormen een andere economische categorie.
Een standaardantwoord van Llama 3.3 70B kost $0.00026. Van DeepSeek V3.2, $0.00047. Van Kimi K3, het duurste open model in de index, $0.0105. De gesloten vlaggenschepen liggen op $0.0175 tot $0.035 voor hetzelfde antwoord, en de volledige spreiding in de index van goedkoopste tot duurste model is ruwweg 2,000x. Duizend antwoorden van Llama 3.3 kosten 26 cent; dezelfde duizend van een gesloten vlaggenschip kunnen $30 overschrijden.
Dit is waarom open modellen in stilte de snelle of voordelige laag van veel AI-producten aandrijven, en waarom grootschalige taken, classificatie, extractie, samenvatten op schaal, bijna altijd bij hen terechtkomen. De live kostenindex heeft de volledige tabel met 100 modellen en de rekensom per antwoord.
De kanttekening die dit eerlijk houdt: weights zelf draaien is alleen gratis als je tijd en hardware dat ook zijn. Een GPU die een 70B-model goed kan bedienen is een aanschaf van duizenden euro's, en de middelgrote modellen die op één consumenten-GPU passen leveren daarvoor capaciteit in. Voor de meeste mensen levert gehoste toegang tot open modellen het prijsvoordeel op zonder de hardware.
Welk open model voor welke klus
Grootschalig, kostengevoelig werk (samenvattingen, extractie, taggen): Llama 3.3 70B of Qwen3.7 Flash. Bij fracties van een tiende cent per antwoord is de kost van af en toe fout zijn lager dan de kost van een premiummodel dat gelijk heeft.
Programmeren: DeepSeek V4 Pro of de codeervarianten van Kimi K3. De gerapporteerde SWE-bench-cijfers zetten ze in echte concurrentie met gesloten codeerassistenten, en de MIT-licentie maakt DeepSeek de veilige keuze om in te bouwen. Claude vs DeepSeek test dit rechtstreeks tegen elkaar.
Lange documenten: elk van de releases met 1M context, waarbij Llama 4 Maverick de budgetkeuze is voor $0.20 per miljoen inputtokens.
Lokaal en privé: een middelgroot Qwen-model op een GPU van 24 GB, of kleine modellen uit de Gemma-klasse op een laptop. Privacy is absoluut, capaciteit is middenklasse, en de Llama-gids behandelt realistische verwachtingen voor lokaal draaien.
Meertalig en Europees gehost werk: Mistral Large 3, dat ook de basis vormt van de Mistral-uitleg.
Waar open modellen nog verliezen
Een eerlijke gids benoemt de tekortkomingen, want ze zijn reëel en beslissen aankopen.
De absolute top van redeneren. Bij de moeilijkste meerstaps- en agentic taken houden gesloten vlaggenschepen nog steeds de voorsprong in de meeste gepubliceerde evaluaties. Het verschil is dramatisch kleiner geworden; het is niet gedicht.
Afwerking en product. Open weights worden geleverd als weights. Spraakmodi, deep research-tools, geheugen en app-ecosystemen zijn productengineering die gesloten aanbieders bundelen en die open modellen overlaten aan wie ze ook host.
Consistentie van hosting. Hetzelfde open model kan bij verschillende hosts anders presteren, afhankelijk van quantisatie en serving-keuzes, een faalmodus die gesloten API's niet hebben. Als een open model plotseling slechter lijkt, is de host eerder verdacht dan het model.
Ondersteuning en verantwoording. Als een gesloten model zich misdraagt, is er een leverancier. Als self-hosted weights zich misdragen, is er een GitHub issue tracker.
Drie manieren om er daadwerkelijk een te gebruiken
1. Via een multimodel-werkruimte. De route zonder installatie: Whizi bevat open modellen zoals Llama, DeepSeek, Kimi, Qwen en Mistral naast GPT, Claude en Gemini, zodat open versus gesloten geen abonnementskeuze meer is, maar een keuze per vraag. Stuur het volumewerk naar de goedkope open modellen en het zware redeneerwerk naar een vlaggenschip, in hetzelfde gesprek.
2. Via een API. Voor ontwikkelaars zijn gehoste open modellen tegen de bovenstaande prijzen de belangrijkste reden om verder te kijken dan de frontier-aanbieders voor productieworkloads.
3. Op je eigen hardware. Ollama en LM Studio maken lokaal draaien nu echt eenvoudig. Kies dit voor privacy of offline-behoeften, niet om te besparen; de elektriciteit is goedkoop, maar de GPU is dat niet.
- Controleer de licentie voordat je iets commercieels bouwt: MIT en Apache zijn onvoorwaardelijk, Llama-achtige licenties zijn dat niet
- Stuur grootschalige taken eerst naar open modellen; het prijsverschil per antwoord is 20 tot 100x
- Vertrouw gerapporteerde benchmarks als een shortlist, en test daarna op je eigen taak voordat je je vastlegt
- Als een gehost open model onderpresteert, probeer een andere host voordat je het model de schuld geeft
- Draai lokaal voor privacy of offline gebruik, niet om geld te besparen
- Houd één frontier-model beschikbaar voor de taken waar het verschil nog zichtbaar is
Veelgestelde vragen
Wat is momenteel het beste opensource LLM?
Op gepubliceerde ranglijsten midden 2026 leidt Kimi K3 in het algemeen onder de open releases, met DeepSeek V4 Pro net erachter en met de sterkste codeerresultaten onder een echte MIT-licentie. Voor één GPU zijn middelgrote dense modellen van Qwen de gebruikelijke keuze. De rangorde verschuift elke paar maanden, dus behandel elk statisch antwoord als een startpunt voor een shortlist.
Zijn opensource LLM's net zo goed als ChatGPT of Claude?
Op veel gepubliceerde benchmarks liggen de beste open modellen nu binnen enkele punten van gesloten vlaggenschepen, en bij alledaagse vragen is het verschil moeilijk te merken. De gesloten modellen houden een voorsprong bij de moeilijkste redeneertaken en leveren veel meer productafwerking: spraak, researchtools en geheugen. Voor grootschalig of kostengevoelig werk zijn open modellen vaak de betere keuze.
Zijn opensource LLM's echt gratis?
De weights zijn gratis te downloaden; de rekenkracht is dat nooit. Een capabel model zelf draaien vereist een serieuze GPU, en gehoste toegang wordt per token geprijsd, alleen heel goedkoop: ongeveer $0.0003 per standaardantwoord voor Llama 3.3 70B tegenover $0.02 of meer voor een gesloten vlaggenschip. Gratis in de zin van de licentie, goedkoop in de praktische zin.
Kan ik een opensource LLM op mijn laptop draaien?
Ja, met aangepaste verwachtingen. Tools zoals Ollama en LM Studio draaien kleine en middelgrote modellen op consumentenhardware, en een laptop zonder sterke GPU kan de kleine modellen aan. Je krijgt volledige privacy en offline gebruik; je geeft de capaciteit van de grote modellen op, die datacenterhardware of een gehoste aanbieder nodig hebben.
Wat is het verschil tussen opensource en open weights?
Opensource in strikte zin betekent een licentie zoals MIT of Apache zonder betekenisvolle beperkingen, wat DeepSeek- en Qwen-releases dragen. Open weights betekent dat het model te downloaden is, maar de licentie voorwaarden toevoegt, zoals de Llama-licentie die zeer grote commerciële inzet beperkt. Individuen merken het verschil zelden; bedrijven die een model inbouwen moeten het eerst controleren.
