De bästa open llm-modellerna 2026, och vad de kostar att köra

Det korta svaret

Rent kapacitetsmässigt i datacenterskala är topplistans ledare i mitten av 2026 Kimi K3, vars vikter Moonshot publicerade i juli 2026 med ett kontextfönster på 1M tokens, och DeepSeek V4, vars Pro-variant rapporterar 80,6 % på kodningsbenchmarken SWE-bench Verified under en MIT-licens. Båda konkurrerar med slutna flaggskepp i offentliga utvärderingar.

För ett enda bra grafikkort är Qwens medelstora dense-modeller förstahandsvalet. För en bärbar dator helt utan grafikkort är små modeller som Gemma det realistiska taket. Och för utvecklare som bara vill ha billig, kapabel inferens via ett API svarar Llama 3.3 70B och DeepSeek V3.2 för en bråkdel av vad frontlinjemodeller tar betalt.

Den ärliga sanningen är att "vilken öppen modell är bäst" nu har samma svarsform som vilken AI-modell du ska använda generellt: det beror på uppgiften och var den körs, och gapet till slutna modeller har krympt så pass att pris och licens ofta avgör.

Open source eller open weights? Licensen spelar faktiskt roll

Etiketten "open source" täcker tre olika upplägg, och skillnaden är osynlig tills den kostar dig.

Riktigt öppna licenser (MIT, Apache). DeepSeek släpper under MIT: använd den, ändra den, bygg en kommersiell produkt på den, inga villkor värda att oroa sig för. Det här är den strängaste betydelsen av open source, och 2026 bär äntligen flera frontlinjemodeller den licensen.

Open weights med villkor. Metas Llama-licens är det kända exemplet: vikterna går att ladda ner och är gratis för nästan alla, men licensen begränsar mycket storskaliga kommersiella driftsättningar och vissa användningar. Llama-guiden går igenom varför den här distinktionen diskuteras flitigt online.

Open weights, forskningsbegränsningar. Vissa utgåvor tillåter forskning och privat bruk men begränsar kommersiell drift helt. Läs innan du bygger.

För en privatperson som använder de här modellerna via en chattprodukt spelar inget av detta någon roll. För ett företag som bygger mjukvara ovanpå en modell är licensen det första man ska kolla, före alla benchmarks.

De ledande öppna modellerna 2026, jämförda

Priserna är hostade API-priser per miljon tokens från Whizis modellkostnadsindex, hämtade 2026-08-20 från OpenRouters listpriser. Benchmarksiffrorna är utvecklarnas rapporterade resultat på offentliga topplistor.

Två mönster värda att notera. För det första är kontextfönster på 1M tokens, som en gång var en säljpunkt för slutna modeller, nu standard bland öppna utgåvor: kontextfönsterjämförelsen håller koll på hela tabellen. För det andra fortsätter prisgolvet att sjunka: Qwen3.7 Flash svarar på en standardfråga för $0.000095 i kostnadsindexet, vilket prissätter tusen svar till under tio cent.

Vad kostar de faktiskt att köra?

Whizis kostnadsindex prissätter varje modell för ett standardsvar, 1 000 input-tokens plus 500 output-tokens, så att listpriserna blir jämförbara. Enligt det måttet är de öppna modellerna inte bara lite billigare än slutna flaggskepp, de tillhör en helt annan ekonomisk kategori.

Ett standardsvar från Llama 3.3 70B kostar $0.00026. Från DeepSeek V3.2, $0.00047. Från Kimi K3, den dyraste öppna modellen i indexet, $0.0105. De slutna flaggskeppen ligger på $0.0175 till $0.035 för samma svar, och hela indexets spridning från billigast till dyrast modell är ungefär 2 000x. Tusen svar från Llama 3.3 kostar 26 cent, medan samma tusen från ett slutet flaggskepp kan passera $30.

Det är därför öppna modeller tyst driver den snabba eller ekonomiska nivån i många AI-produkter, och varför högvolymuppgifter, som klassificering, extraktion och sammanfattning i stor skala, nästan alltid hamnar på dem. Det levande kostnadsindexet har hela tabellen med 100 modeller och matematiken bakom varje svar.

Brasklappen som håller det här ärligt: att köra vikterna själv är bara gratis om din tid och hårdvara är det. Ett grafikkort som kan serva en 70B-modell bra är ett köp i fyrsiffrigt kronbelopp, och de medelstora modeller som får plats på ett vanligt konsumentgrafikkort byter kapacitet mot det priset. För de flesta fångar hostad tillgång till öppna modeller prisfördelen utan hårdvaran.

Vilken öppen modell för vilket jobb

Högvolym, kostnadskänsligt arbete (sammanfattningar, extraktion, taggning): Llama 3.3 70B eller Qwen3.7 Flash. Till bråkdelar av en tiondels cent per svar är kostnaden för att ibland ha fel lägre än kostnaden för att en premiummodell ska ha rätt.

Kodning: DeepSeek V4 Pro eller Kimi K3:s kodningsvarianter. De rapporterade SWE-bench-siffrorna gör dem till riktiga konkurrenter till slutna kodningsassistenter, och MIT-licensen gör DeepSeek till det trygga valet att bygga in. Claude vs DeepSeek testar dem mot varandra.

Långa dokument: någon av utgåvorna med 1M kontext, med Llama 4 Maverick som budgetvalet för $0.20 per miljon input-tokens.

Lokalt och privat: en medelstor Qwen-modell på ett grafikkort med 24 GB, eller små modeller i Gemma-klassen på en bärbar dator. Sekretessen är total, kapaciteten är medelmåttig, och Llama-guiden går igenom realistiska förväntningar för lokal körning.

Flerspråkigt och europeiskt hostat arbete: Mistral Large 3, som också är basen i Mistral-guiden.

Var öppna modeller fortfarande förlorar

En ärlig guide namnger gapen, för de är verkliga och de avgör köpbeslut.

Toppen av resonemangsförmåga. På de svåraste flerstegs- och agentiska uppgifterna har slutna flaggskepp fortfarande ett övertag i de flesta publicerade utvärderingarna. Gapet har krympt dramatiskt, men det har inte stängts.

Finish och produkt. Open weights levereras som just vikter. Röstlägen, verktyg för djup research, minne och appekosystem är produktarbete som slutna leverantörer bakar in, medan öppna modeller lämnar det åt den som hostar dem.

Konsekvent hosting. Samma öppna modell kan prestera olika hos olika leverantörer beroende på kvantisering och serveringsval, ett problem som slutna API:er inte har. Om en öppen modell plötsligt verkar sämre är hosten den första misstänkte, inte modellen.

Support och ansvar. När en sluten modell beter sig illa finns det en leverantör. När självhostade vikter beter sig illa finns det en GitHub issue tracker.

Tre sätt att faktiskt använda en

1. Via en arbetsyta med flera modeller. Vägen utan installation: Whizi inkluderar öppna modeller som Llama, DeepSeek, Kimi, Qwen och Mistral tillsammans med GPT, Claude och Gemini, så öppet mot slutet slutar vara ett prenumerationsbeslut och blir istället ett beslut per fråga. Skicka volymarbetet till de billiga öppna modellerna och de svåra resonemangen till ett flaggskepp i samma konversation.

2. Via ett API. För utvecklare är hostade öppna modeller till priserna ovan huvudskälet till att titta bortom frontlinjeleverantörerna för produktionsarbetslaster.

3. På egen hårdvara. Ollama och LM Studio gör lokal körning genuint enkel nu. Välj det här för sekretess eller offlinebehov, inte för att spara pengar: elen är billig men grafikkortet är det inte.