Os melhores LLMs de código aberto em 2026, e quanto custa rodá-los

A resposta rápida

Para capacidade bruta em escala de data center, os líderes de ranking em meados de 2026 são o Kimi K3, cujos pesos a Moonshot publicou em julho de 2026 com uma janela de contexto de 1M tokens, e o DeepSeek V4, cuja variante Pro reporta 80,6% no benchmark de programação SWE-bench Verified sob licença MIT. Ambos são competitivos com os líderes fechados nas avaliações públicas.

Para uma única GPU boa, os modelos densos de médio porte da Qwen são a escolha padrão. Para um notebook sem GPU alguma, modelos pequenos como o Gemma são o teto realista. E para desenvolvedores que só querem inferência barata e capaz via API, o Llama 3.3 70B e o DeepSeek V3.2 respondem por uma fração minúscula do que cobram os modelos de fronteira.

A manchete honesta é que "qual modelo aberto é o melhor" agora tem o mesmo formato de resposta de qual modelo de IA usar em geral: depende da tarefa e de onde ela roda, e a diferença para os modelos fechados diminuiu o suficiente para que preço e licença decidam com frequência.

Código aberto ou pesos abertos? A licença realmente importa

O rótulo "código aberto" cobre três acordos diferentes, e a diferença é invisível até custar algo para você.

Licenças verdadeiramente abertas (MIT, Apache). O DeepSeek lança sob MIT: use, modifique, construa um produto comercial sobre ele, sem condições que valham preocupação. Este é o significado mais estrito de código aberto, e em 2026 vários modelos de nível de fronteira finalmente o carregam.

Pesos abertos com condições. A licença do Llama, da Meta, é o exemplo famoso: os pesos são baixáveis e gratuitos para quase todo mundo, mas a licença restringe implantações comerciais em escala muito grande e certos usos. O explicador do Llama mostra por que essa distinção gera discussão online.

Pesos abertos, restrições de pesquisa. Alguns lançamentos permitem uso de pesquisa e pessoal, mas restringem totalmente a implantação comercial. Leia antes de construir.

Para uma pessoa usando esses modelos por meio de um produto de chat, nada disso muda alguma coisa. Para uma empresa que lança software em cima de um deles, a licença é o primeiro fato a verificar, antes de qualquer benchmark.

Os principais modelos abertos de 2026, comparados

Os preços são taxas de API hospedada por milhão de tokens do índice de custo de modelos da Whizi, coletados em 20/08/2026 dos preços de tabela do OpenRouter. Os números de benchmark são os resultados reportados pelos próprios desenvolvedores em rankings públicos.

Dois padrões vale a pena notar. Primeiro, janelas de contexto de 1M tokens, antes um diferencial dos modelos fechados, agora são padrão entre os lançamentos abertos; a comparação de janelas de contexto traz a tabela completa. Segundo, o piso de preço continua caindo: o Qwen3.7 Flash responde uma consulta padrão por $0.000095 no índice de custo, o que precifica mil respostas por menos de dez centavos.

Quanto eles realmente custam para rodar?

O índice de custo da Whizi precifica cada modelo para uma resposta padrão, 1.000 tokens de entrada mais 500 de saída, para tornar as taxas de tabela comparáveis. Nessa medida, os modelos abertos não são apenas um pouco mais baratos que os líderes fechados; eles são uma categoria econômica diferente.

Uma resposta padrão do Llama 3.3 70B custa $0.00026. Do DeepSeek V3.2, $0.00047. Do Kimi K3, o modelo aberto mais caro do índice, $0.0105. Os líderes fechados ficam entre $0.0175 e $0.035 para a mesma resposta, e a diferença total do índice, do modelo mais barato ao mais caro, é de aproximadamente 2.000x. Mil respostas do Llama 3.3 custam 26 centavos; as mesmas mil de um líder fechado podem passar de $30.

É por isso que os modelos abertos alimentam silenciosamente o nível rápido ou econômico de muitos produtos de IA, e por que tarefas de alto volume, classificação, extração, resumo em escala, quase sempre recaem sobre eles. O índice de custo em tempo real traz a tabela completa com 100 modelos e a matemática por resposta.

A ressalva que mantém isso honesto: rodar os pesos você mesmo só é grátis se o seu tempo e o seu hardware forem. Uma GPU capaz de servir bem um modelo de 70B é uma compra de quatro dígitos, e os modelos de médio porte que cabem em uma GPU de consumidor trocam capacidade por isso. Para a maioria das pessoas, o acesso hospedado a modelos abertos captura a vantagem de preço sem o hardware.

Qual modelo aberto para qual tarefa

Trabalho de alto volume e sensível a custo (resumos, extração, marcação): Llama 3.3 70B ou Qwen3.7 Flash. A frações de um décimo de centavo por resposta, o custo de errar ocasionalmente é menor que o custo de um modelo premium acertar.

Programação: DeepSeek V4 Pro ou as variantes de programação do Kimi K3. Os números reportados do SWE-bench os colocam em competição real com assistentes de código fechados, e a licença MIT torna o DeepSeek a incorporação segura. Claude vs DeepSeek testa isso cara a cara.

Documentos longos: qualquer um dos lançamentos com 1M de contexto, com o Llama 4 Maverick como a escolha econômica a $0.20 por milhão de tokens de entrada.

Local e privado: um modelo de médio porte da Qwen em uma GPU de 24 GB, ou modelos pequenos classe Gemma em um notebook. A privacidade é absoluta, a capacidade é intermediária, e o guia do Llama traz expectativas realistas para execução local.

Trabalho multilíngue e hospedado na Europa: Mistral Large 3, que também é a base do explicador do Mistral.

Onde os modelos abertos ainda perdem

Um guia honesto nomeia as lacunas, porque elas são reais e decidem compras.

O topo absoluto do raciocínio. Nas tarefas de raciocínio de múltiplas etapas e agênticas mais difíceis, os líderes fechados ainda mantêm a vantagem na maioria das avaliações publicadas. A diferença diminuiu drasticamente; ela não desapareceu.

Acabamento e produto. Pesos abertos são lançados como pesos. Modos de voz, ferramentas de pesquisa profunda, memória e ecossistemas de aplicativos são engenharia de produto que os provedores fechados empacotam e que os modelos abertos deixam para quem os hospedar.

Consistência de hospedagem. O mesmo modelo aberto pode ter desempenho diferente entre hosts, dependendo da quantização e das escolhas de serviço, um modo de falha que as APIs fechadas não têm. Se um modelo aberto parecer subitamente pior, o host é o principal suspeito, antes do modelo.

Suporte e responsabilidade. Quando um modelo fechado se comporta mal, há um fornecedor. Quando pesos autohospedados se comportam mal, há um rastreador de issues no GitHub.

Três formas de realmente usar um

1. Por meio de um workspace multimodelo. O caminho sem configuração: a Whizi inclui modelos abertos como Llama, DeepSeek, Kimi, Qwen e Mistral ao lado de GPT, Claude e Gemini, de modo que aberto versus fechado deixa de ser uma decisão de assinatura e passa a ser uma decisão por pergunta. Envie o trabalho de volume para os modelos abertos baratos e o raciocínio difícil para um líder fechado na mesma conversa.

2. Por meio de uma API. Para desenvolvedores, os modelos abertos hospedados nos preços acima são o principal motivo para olhar além dos provedores de fronteira em cargas de trabalho de produção.

3. No seu próprio hardware. Ollama e LM Studio tornam a execução local genuinamente fácil agora. Escolha essa opção por privacidade ou necessidade off-line, não por economia; a eletricidade é barata, mas a GPU não é.