Лучшие open source LLM в 2026 году и сколько стоит их запускать

Короткий ответ

По чистой мощности на уровне дата-центров лидерами рейтингов в середине 2026 года считаются Kimi K3, чьи веса Moonshot опубликовала в июле 2026 года с контекстным окном в 1M токенов, и DeepSeek V4, версия Pro которой показывает 80,6% на бенчмарке SWE-bench Verified под лицензией MIT. Обе модели конкурируют с закрытыми флагманами в открытых тестах.

Для одной хорошей видеокарты стандартным выбором остаются плотные модели среднего размера Qwen. Для ноутбука без видеокарты вообще реальным потолком служат небольшие модели вроде Gemma. А для разработчиков, которым нужен просто дешёвый и толковый вывод через API, Llama 3.3 70B и DeepSeek V3.2 обходятся в крошечную долю цены топовых моделей.

Честный ответ в том, что вопрос «какая open source модель лучшая» теперь устроен так же, как вопрос какую модель ИИ выбрать в целом: всё зависит от задачи и от того, где модель работает, а разрыв с закрытыми моделями сократился настолько, что решающими часто становятся цена и лицензия.

Open source или open weights? Лицензия действительно важна

Метка «open source» скрывает три разных типа условий, и разница невидима, пока не обходится вам дорого.

Настоящие открытые лицензии (MIT, Apache). DeepSeek выпускает модели под MIT: используйте, модифицируйте, стройте на них коммерческий продукт, никаких условий, о которых стоит беспокоиться. Это самое строгое значение open source, и в 2026 году его наконец несут несколько моделей уровня фронтира.

Open weights с условиями. Лицензия Llama от Meta, самый известный пример: веса можно скачать бесплатно почти всем, но лицензия ограничивает очень крупные коммерческие внедрения и некоторые способы использования. Объяснение по Llama рассказывает, почему это различие так активно обсуждают.

Open weights с ограничениями для исследований. Некоторые релизы разрешают исследования и личное использование, но полностью запрещают коммерческое внедрение. Читайте условия, прежде чем строить продукт.

Для частного пользователя, который применяет эти модели через чат-продукт, ничего из этого не имеет значения. Для компании, которая выпускает софт на основе такой модели, лицензия, это первый факт, который нужно проверить, раньше любого бенчмарка.

Ведущие open source модели 2026 года: сравнение

Цены, это тарифы хостинг-API за миллион токенов из индекса стоимости моделей Whizi, собранные 2026-08-20 из прайс-листа OpenRouter. Показатели бенчмарков, это результаты, заявленные самими разработчиками в открытых рейтингах.

Стоит заметить две закономерности. Во-первых, контекстные окна на 1M токенов, раньше это было преимуществом закрытых моделей, теперь стали стандартом среди открытых релизов; сравнение контекстных окон показывает полную таблицу. Во-вторых, потолок цены продолжает падать: Qwen3.7 Flash отвечает на стандартный запрос за $0.000095 по индексу стоимости, а значит тысяча ответов стоит меньше десяти центов.

Сколько они реально стоят в использовании?

Индекс стоимости Whizi оценивает каждую модель по цене одного стандартного ответа (1000 входных токенов плюс 500 выходных), чтобы прайсовые тарифы можно было сравнивать. По этой мерке open source модели не просто немного дешевле закрытых флагманов, они принадлежат к совершенно другой экономической категории.

Стандартный ответ от Llama 3.3 70B стоит $0.00026. От DeepSeek V3.2, $0.00047. От Kimi K3, самой дорогой open source модели в индексе, $0.0105. Закрытые флагманы держатся в диапазоне от $0.0175 до $0.035 за тот же ответ, а весь разброс индекса от самой дешёвой до самой дорогой модели составляет примерно 2000x. Тысяча ответов от Llama 3.3 стоит 26 центов; та же тысяча от закрытого флагмана может превысить $30.

Именно поэтому open source модели тихо приводят в действие быстрые или экономичные тарифы многих ИИ-продуктов, и именно поэтому массовые задачи (классификация, извлечение данных, суммаризация в больших объёмах) почти всегда достаются им. В живом индексе стоимости есть полная таблица на 100 моделей с расчётом цены за ответ.

Честная оговорка: запуск весов на своём железе бесплатен только если бесплатны ваше время и оборудование. Видеокарта, способная хорошо обслуживать модель на 70B параметров, стоит четырёхзначную сумму в долларах, а модели среднего размера, которые помещаются на одну потребительскую видеокарту, платят за это своими возможностями. Для большинства людей хостинг открытых моделей даёт ценовое преимущество без необходимости покупать железо.

Какая open source модель для какой задачи

Массовые задачи, чувствительные к цене (суммаризация, извлечение данных, разметка): Llama 3.3 70B или Qwen3.7 Flash. При цене в доли десятой цента за ответ ошибка иногда обходится дешевле, чем правильный ответ от премиальной модели.

Программирование: DeepSeek V4 Pro или кодинг-варианты Kimi K3. Заявленные показатели SWE-bench ставят их в реальную конкуренцию с закрытыми ассистентами для кода, а лицензия MIT делает DeepSeek безопасным вариантом для встраивания. Claude против DeepSeek сравнивает их напрямую.

Длинные документы: любой из релизов с контекстом 1M, а бюджетным выбором станет Llama 4 Maverick по $0.20 за миллион входных токенов.

Локально и приватно: модель Qwen среднего размера на видеокарте с 24 ГБ, либо небольшие модели класса Gemma на ноутбуке. Приватность абсолютна, возможности средние, а гид по Llama рассказывает, чего реально ждать от локального запуска.

Многоязычные задачи и хостинг в Европе: Mistral Large 3, модель, вокруг которой построено и объяснение по Mistral.

Где open source модели пока проигрывают

Честный гид называет пробелы, потому что они реальны и влияют на выбор при покупке.

Самый верх рассуждений. На самых сложных многошаговых задачах и агентных сценариях закрытые флагманы всё ещё держат преимущество в большинстве опубликованных тестов. Разрыв резко сократился, но не закрылся.

Полировка и продукт. Open weights поставляются просто как веса. Голосовые режимы, инструменты глубокого исследования, память и экосистемы приложений, это продуктовая инженерия, которую закрытые провайдеры включают в комплект, а открытые модели оставляют на совести того, кто их хостит.

Стабильность хостинга. Одна и та же open source модель может вести себя по-разному у разных хостов в зависимости от квантования и настроек обслуживания, это провал, которого у закрытых API не бывает. Если open source модель внезапно стала хуже, первым подозреваемым должен быть хост, а не сама модель.

Поддержка и ответственность. Когда закрытая модель ведёт себя плохо, есть вендор, к которому можно обратиться. Когда плохо себя ведут веса на самостоятельном хостинге, есть только трекер issue на GitHub.

Три способа реально начать пользоваться

1. Через мультимодельное рабочее пространство. Путь без настройки: Whizi включает open source модели вроде Llama, DeepSeek, Kimi, Qwen и Mistral рядом с GPT, Claude и Gemini, поэтому выбор между открытым и закрытым перестаёт быть решением на уровне подписки и становится решением на уровне отдельного вопроса. Массовые задачи можно отправлять дешёвым открытым моделям, а сложные рассуждения, флагману, в рамках одного и того же разговора.

2. Через API. Для разработчиков хостинг открытых моделей по указанным выше ценам, это главная причина смотреть не только на провайдеров фронтира при боевых нагрузках.

3. На своём железе. Ollama и LM Studio сейчас делают локальный запуск по-настоящему простым. Выбирайте этот путь ради приватности или работы без интернета, а не ради экономии: электричество дешёвое, а видеокарта нет.