Răspunsul scurt
Pentru capacitate brută la scară de centru de date, liderii clasamentelor la mijlocul lui 2026 sunt Kimi K3, ale cărui ponderi Moonshot le-a publicat în iulie 2026 cu o fereastră de context de 1M tokeni, și DeepSeek V4, a cărui variantă Pro raportează 80,6% pe benchmarkul de programare SWE-bench Verified sub licență MIT. Amândouă sunt competitive cu vârfurile închise pe evaluările publice.
Pentru un singur GPU bun, modelele dense de dimensiune medie Qwen sunt alegerea implicită. Pentru un laptop fără GPU deloc, modelele mici precum Gemma reprezintă plafonul realist. Iar pentru dezvoltatorii care vor doar inferență ieftină și capabilă printr-un API, Llama 3.3 70B și DeepSeek V3.2 răspund pentru o fracțiune infimă din ce percep modelele de frontieră.
Titlul sincer este că "care model open e cel mai bun" are acum aceeași formă de răspuns ca ce model de IA să folosești în general: depinde de sarcină și de unde rulează, iar diferența față de modelele închise s-a redus suficient încât prețul și licența decid adesea.
Open source sau open weights? Licența contează cu adevărat
Eticheta "open source" acoperă trei tipuri diferite de acorduri, iar diferența este invizibilă până te costă.
Licențe cu adevărat deschise (MIT, Apache). DeepSeek lansează sub MIT: îl poți folosi, modifica, construi un produs comercial pe el, fără condiții de care să-ți fie grijă. Acesta este sensul cel mai strict al open source, iar în 2026 mai multe modele de clasă de frontieră îl poartă în sfârșit.
Open weights cu condiții. Licența Llama de la Meta este exemplul celebru: ponderile sunt descărcabile și gratuite pentru aproape toată lumea, dar licența restricționează implementările comerciale la scară foarte mare și anumite utilizări. Explicația despre Llama arată de ce această distincție se dezbate online.
Open weights, restricții de cercetare. Unele lansări permit cercetarea și uzul personal, dar restricționează complet implementarea comercială. Citește licența înainte să construiești.
Pentru o persoană care folosește aceste modele printr-un produs de chat, nimic din toate acestea nu schimbă vreo dată. Pentru o companie care lansează software pe baza unuia dintre ele, licența este primul lucru de verificat, înainte de orice benchmark.
Modelele open lider din 2026, comparate
Prețurile sunt tarife API găzduite per milion de tokeni din indicele de cost al modelelor Whizi, extrase pe 2026-08-20 din prețurile listate de OpenRouter. Cifrele de benchmark sunt rezultatele raportate de dezvoltatori pe clasamentele publice.
| Model | Licență | Context | Input / output per 1M tokeni | Fapt remarcabil |
|---|---|---|---|---|
| Kimi K3 (Moonshot) | Ponderi deschise | 1M | $3.00 / $15.00 | Ponderi publicate în iulie 2026; conduce clasamentele open |
| DeepSeek V3.2 | MIT | 164K | $0.27 / $0.40 | Răspunsuri de clasă de frontieră la prețuri de larg consum |
| DeepSeek V4 Pro | MIT | 1M | $1.19 / $3.56 | Raportează 80,6% pe SWE-bench Verified |
| Llama 4 Maverick (Meta) | Licența Llama | 1M | $0.20 / $0.80 | Cel mai ieftin context de 1M din index |
| Llama 3.3 70B (Meta) | Licența Llama | 131K | $0.10 / $0.32 | Modelul de lucru: peste tot și aproape gratuit |
| Mistral Large 3 | Ponderi deschise | 262K | $0.50 / $1.50 | Cea mai puternică lansare open europeană |
| Qwen3.7 Flash | Apache | 1M | $0.03 / $0.13 | Context de 1M la cel mai mic preț din clasa sa |
Două tipare merită observate. Primul, ferestrele de context de 1M tokeni, cândva un argument de vânzare al modelelor închise, sunt acum standard în lansările open; comparația ferestrelor de context urmărește tabelul complet. Al doilea, plafonul de preț continuă să scadă: Qwen3.7 Flash răspunde la o interogare standard pentru $0.000095 în indicele de cost, ceea ce prețuiește o mie de răspunsuri sub zece cenți.
Cât costă cu adevărat să le rulezi?
Indicele de cost Whizi prețuiește fiecare model pentru un răspuns standard, 1.000 de tokeni de intrare plus 500 de tokeni de ieșire, astfel încât tarifele listate devin comparabile. Pe această măsură, modelele open nu sunt puțin mai ieftine decât vârfurile închise; sunt o categorie economică diferită.
Un răspuns standard de la Llama 3.3 70B costă $0.00026. De la DeepSeek V3.2, $0.00047. De la Kimi K3, cel mai scump model open din index, $0.0105. Vârfurile închise se situează între $0.0175 și $0.035 pentru același răspuns, iar diferența din index între cel mai ieftin și cel mai scump model este de aproximativ 2.000x. O mie de răspunsuri de la Llama 3.3 costă 26 de cenți; aceeași mie de la un vârf închis poate trece de $30.
De aceea modelele open alimentează discret nivelul rapid sau economic al multor produse de IA, și de aceea sarcinile de volum mare, clasificare, extracție, sumarizare la scară, ajung aproape mereu la ele. Indicele de cost live are tabelul complet cu 100 de modele și matematica per răspuns.
Precauția care ține totul cinstit: să rulezi ponderile tu însuți e gratuit doar dacă timpul și hardware-ul tău sunt gratuite. Un GPU capabil să servească bine un model de 70B este o achiziție cu patru cifre, iar modelele de dimensiune medie care încap pe un singur GPU de consum plătesc capabilitate pentru asta. Pentru majoritatea oamenilor, accesul găzduit la modelele open captează avantajul de preț fără hardware.
Care model open pentru care sarcină
Muncă de volum mare, sensibilă la cost (rezumate, extracție, etichetare): Llama 3.3 70B sau Qwen3.7 Flash. La fracțiuni dintr-o zecime de cent per răspuns, costul de a greși ocazional este mai mic decât costul ca un model premium să aibă dreptate.
Programare: DeepSeek V4 Pro sau variantele de programare ale Kimi K3. Cifrele SWE-bench raportate le pun în competiție reală cu asistenții de programare închiși, iar licența MIT face din DeepSeek opțiunea sigură de integrat. Claude vs DeepSeek testează asta direct.
Documente lungi: orice lansare cu context de 1M, cu Llama 4 Maverick ca alegerea economică la $0.20 per milion de tokeni de intrare.
Local și privat: un model Qwen de dimensiune medie pe un GPU de 24 GB, sau modele mici de clasă Gemma pe un laptop. Confidențialitatea este absolută, capabilitatea este medie, iar ghidul Llama prezintă așteptări realiste pentru rularea locală.
Muncă multilingvă și găzduită în Europa: Mistral Large 3, care ancorează și explicația despre Mistral.
Unde modelele open încă pierd
Un ghid sincer numește lipsurile, pentru că sunt reale și decid achizițiile.
Vârful absolut al raționamentului. Pe cele mai grele sarcini de raționament în mai mulți pași și pe cele agentice, vârfurile închise încă păstrează avantajul în majoritatea evaluărilor publicate. Diferența s-a redus dramatic; nu s-a închis complet.
Rafinament și produs. Ponderile open sunt livrate ca ponderi. Modurile vocale, instrumentele de cercetare aprofundată, memoria și ecosistemele de aplicații sunt inginerie de produs pe care furnizorii închiși o includ, iar modelele open o lasă în grija celui care le găzduiește.
Consistența găzduirii. Același model open poate performa diferit de la un furnizor la altul, în funcție de cuantizare și de alegerile de servire, un mod de defecțiune pe care API-urile închise nu îl au. Dacă un model open pare brusc mai slab, furnizorul este suspect înainte de model.
Suport și responsabilitate. Când un model închis se comportă greșit, există un furnizor. Când ponderile auto-găzduite se comportă greșit, există un tracker de issue-uri pe GitHub.
Trei moduri de a folosi cu adevărat unul
1. Printr-un workspace multi-model. Ruta fără configurare: Whizi include modele open precum Llama, DeepSeek, Kimi, Qwen și Mistral alături de GPT, Claude și Gemini, astfel încât alegerea open versus închis nu mai e o decizie de abonament, ci una per întrebare. Trimite munca de volum la modelele open ieftine și raționamentul greu la un vârf, în aceeași conversație.
2. Printr-un API. Pentru dezvoltatori, modelele open găzduite la prețurile de mai sus sunt motivul principal pentru a privi dincolo de furnizorii de frontieră pentru sarcinile de producție.
3. Pe hardware-ul propriu. Ollama și LM Studio fac rularea locală cu adevărat facilă acum. Alege asta pentru nevoi de confidențialitate sau offline, nu pentru economii; electricitatea e ieftină, dar GPU-ul nu este.
- Verifică licența înainte de a construi ceva comercial: MIT și Apache sunt necondiționate, licențele de tip Llama nu
- Direcționează sarcinile de volum mare către modelele open întâi; diferența de preț per răspuns este de 20 până la 100x
- Ai încredere în benchmark-urile raportate ca listă scurtă, apoi testează pe sarcina ta înainte de a te angaja
- Dacă un model open găzduit are performanțe slabe, încearcă un alt furnizor înainte să acuzi modelul
- Rulează local pentru confidențialitate sau uz offline, nu pentru a economisi bani
- Păstrează un model de frontieră disponibil pentru sarcinile unde diferența încă se vede
Întrebări frecvente
Care este cel mai bun LLM open source acum?
Pe clasamentele publicate la mijlocul lui 2026, Kimi K3 conduce global între lansările open, cu DeepSeek V4 Pro imediat în urmă și cu cele mai bune rezultate de programare sub o licență MIT autentică. Pentru un singur GPU, modelele dense de dimensiune medie Qwen sunt alegerea obișnuită. Clasamentul se schimbă la fiecare câteva luni, așa că tratează orice răspuns static ca pe o listă scurtă de start.
Sunt LLM-urile open source la fel de bune ca ChatGPT sau Claude?
Pe multe benchmark-uri publicate, cele mai bune modele open sunt acum la câteva puncte de vârfurile închise, iar pentru întrebările de zi cu zi diferența e greu de observat. Modelele închise păstrează un avantaj pe cele mai grele sarcini de raționament și vin cu mult mai mult rafinament de produs: voce, instrumente de cercetare și memorie. Pentru munca de volum mare sau sensibilă la cost, modelele open sunt frecvent alegerea mai bună.
Sunt LLM-urile open source cu adevărat gratuite?
Ponderile sunt gratuite de descărcat; calculul nu e niciodată gratuit. Rularea unui model capabil pe cont propriu necesită un GPU serios, iar accesul găzduit este prețuit per token, doar foarte ieftin: aproximativ $0.0003 per răspuns standard pentru Llama 3.3 70B, față de $0.02 sau mai mult pentru un vârf închis. Gratuit în sensul licenței, ieftin în sens practic.
Pot rula un LLM open source pe laptopul meu?
Da, cu așteptări ajustate. Instrumente precum Ollama și LM Studio rulează modele mici și de dimensiune medie pe hardware de consum, iar un laptop fără un GPU puternic se descurcă cu cele mici. Obții confidențialitate completă și uz offline; renunți la capabilitatea modelelor mari, care au nevoie de hardware de centru de date sau de un furnizor găzduit.
Care e diferența dintre open source și open weights?
Open source, în sens strict, înseamnă o licență precum MIT sau Apache, fără restricții semnificative, pe care le au lansările DeepSeek și Qwen. Open weights înseamnă că modelul e descărcabil, dar licența atașează condiții, cum ar fi licența Llama care restricționează implementările comerciale foarte mari. Persoanele fizice observă rar diferența; companiile care integrează un model trebuie să o verifice întâi.
