Коротка відповідь
За чистою потужністю на рівні дата-центрів лідерами рейтингів у середині 2026 року є Kimi K3, чиї ваги Moonshot опублікувала в липні 2026 року з контекстним вікном на 1M токенів, і DeepSeek V4, чий варіант Pro показує 80,6% на бенчмарку кодування SWE-bench Verified під ліцензією MIT. Обидві моделі конкурують із закритими флагманами в публічних оцінюваннях.
Для однієї потужної GPU стандартним вибором є щільні моделі середнього розміру Qwen. Для ноутбука взагалі без GPU реалістичною межею є невеликі моделі, як Gemma. А для розробників, яким просто потрібен дешевий, але здатний вивід через API, Llama 3.3 70B і DeepSeek V3.2 відповідають за крихітну частку того, що беруть флагманські моделі.
Чесна суть у тому, що питання "яка відкрита модель найкраща" тепер має ту саму форму відповіді, що й який AI-модель обрати загалом: усе залежить від завдання і місця запуску, а розрив із закритими моделями скоротився настільки, що часто вирішують ціна і ліцензія.
Open source чи open weights? Ліцензія справді має значення
Позначка "open source" охоплює три різні угоди, і різниця між ними непомітна, доки вона не коштуватиме вам грошей.
Справді відкриті ліцензії (MIT, Apache). DeepSeek випускає моделі під MIT: використовуйте, змінюйте, будуйте на цьому комерційний продукт, жодних умов, про які варто турбуватися. Це найсуворіше значення open source, і у 2026 році кілька моделей флагманського рівня нарешті мають саме таку ліцензію.
Відкриті ваги з умовами. Найвідоміший приклад, це ліцензія Llama від Meta: ваги можна завантажити безкоштовно майже кожному, але ліцензія обмежує дуже масштабні комерційні розгортання і певні використання. Пояснення про Llama розповідає, чому навколо цієї різниці досі точаться суперечки в інтернеті.
Відкриті ваги з дослідницькими обмеженнями. Деякі релізи дозволяють дослідницьке й особисте використання, але повністю забороняють комерційне розгортання. Читайте умови, перш ніж будувати на цьому продукт.
Для окремої людини, яка користується цими моделями через чат-продукт, нічого з цього не має значення. А для компанії, що постачає софт на основі однієї з них, ліцензія, це перший факт, який слід перевірити, ще до будь-якого бенчмарку.
Провідні відкриті моделі 2026 року: порівняння
Ціни, це хостовані тарифи API за мільйон токенів з індексу вартості моделей Whizi, отримані 2026-08-20 з прайс-листів OpenRouter. Показники бенчмарків, це результати, заявлені самими розробниками у публічних рейтингах.
| Модель | Ліцензія | Контекст | Вхід / вихід за 1M токенів | Що вирізняє |
|---|---|---|---|---|
| Kimi K3 (Moonshot) | Відкриті ваги | 1M | $3.00 / $15.00 | Ваги опубліковано в липні 2026 року, лідирує в рейтингах відкритих моделей |
| DeepSeek V3.2 | MIT | 164K | $0.27 / $0.40 | Відповіді флагманського рівня за ціною ширвжитку |
| DeepSeek V4 Pro | MIT | 1M | $1.19 / $3.56 | Заявляє 80,6% на SWE-bench Verified |
| Llama 4 Maverick (Meta) | Ліцензія Llama | 1M | $0.20 / $0.80 | Найдешевший контекст на 1M в індексі |
| Llama 3.3 70B (Meta) | Ліцензія Llama | 131K | $0.10 / $0.32 | Робоча конячка: скрізь і майже безкоштовно |
| Mistral Large 3 | Відкриті ваги | 262K | $0.50 / $1.50 | Найпотужніший європейський відкритий реліз |
| Qwen3.7 Flash | Apache | 1M | $0.03 / $0.13 | Контекст на 1M за найнижчою ціною у своєму класі |
Варто помітити дві закономірності. По-перше, контекстні вікна на 1M токенів, колись перевага закритих моделей, тепер стали стандартом серед відкритих релізів; порівняння контекстних вікон показує повну таблицю. По-друге, нижня межа ціни й далі падає: Qwen3.7 Flash відповідає на стандартний запит за $0.000095 в індексі вартості, тож тисяча відповідей коштує менше десяти центів.
Скільки насправді коштує їх запускати?
Індекс вартості Whizi оцінює кожну модель за одну стандартну відповідь, 1000 вхідних токенів плюс 500 вихідних, тож прайсові тарифи стають порівнюваними. За цим показником відкриті моделі не просто трохи дешевші за закриті флагмани: вони належать до іншої економічної категорії.
Стандартна відповідь від Llama 3.3 70B коштує $0.00026. Від DeepSeek V3.2, $0.00047. Від Kimi K3, найдорожчої відкритої моделі в індексі, $0.0105. Закриті флагмани перебувають у діапазоні $0.0175 до $0.035 за таку саму відповідь, а весь розкид індексу від найдешевшої до найдорожчої моделі становить приблизно 2000 разів. Тисяча відповідей від Llama 3.3 коштує 26 центів, а та сама тисяча від закритого флагмана може перевищити $30.
Саме тому відкриті моделі непомітно живлять швидкий або економний рівень багатьох AI-продуктів, і саме тому масштабні завдання, класифікація, витягування даних, масове реферування, майже завжди дістаються саме їм. Живий індекс вартості містить повну таблицю на 100 моделей з розрахунком за відповідь.
Застереження, яке зберігає чесність цієї картини: самостійний запуск ваг безкоштовний лише тоді, коли безкоштовні ваш час і апаратне забезпечення. GPU, здатна добре обслуговувати 70B модель, це покупка на чотиризначну суму, а моделі середнього розміру, що поміщаються на одній споживчій GPU, обмінюють можливості саме на це. Для більшості людей хостований доступ до відкритих моделей дає цінову вигоду без потреби в апаратному забезпеченні.
Яка відкрита модель для якого завдання
Масштабна робота, чутлива до вартості (реферування, витягування даних, розмітка): Llama 3.3 70B або Qwen3.7 Flash. За частки десятої цента за відповідь вартість випадкової помилки нижча за вартість того, щоб преміум-модель завжди була правою.
Кодування: DeepSeek V4 Pro або варіанти Kimi K3 для коду. Заявлені показники SWE-bench ставлять їх у реальну конкуренцію із закритими асистентами кодування, а ліцензія MIT робить DeepSeek безпечним вибором для вбудовування. Claude проти DeepSeek перевіряє це напряму.
Довгі документи: будь-який з релізів із контекстом на 1M, а Llama 4 Maverick, бюджетний варіант за $0.20 за мільйон вхідних токенів.
Локально і приватно: модель Qwen середнього розміру на GPU з 24 ГБ, або невеликі моделі класу Gemma на ноутбуці. Приватність тут абсолютна, можливості середні, а гід по Llama описує реалістичні очікування від локального запуску.
Багатомовна робота і хостинг у Європі: Mistral Large 3, яка також лежить в основі пояснення про Mistral.
Де відкриті моделі й досі відстають
Чесний гід називає прогалини, бо вони реальні і саме вони визначають рішення про покупку.
Найвищий рівень міркувань. У найскладніших багатоетапних міркуваннях і агентних завданнях закриті флагмани досі мають перевагу за більшістю опублікованих оцінювань. Розрив різко скоротився, але він ще не зник.
Довершеність продукту. Відкриті ваги постачаються саме як ваги. Голосові режими, інструменти глибокого дослідження, пам'ять і екосистеми застосунків, це продуктова інженерія, яку закриті постачальники додають одразу, а відкриті моделі залишають на розсуд того, хто їх хостить.
Стабільність хостингу. Та сама відкрита модель може працювати по-різному залежно від хоста через квантування і вибір способу обслуговування, а це проблема, якої немає в закритих API. Якщо відкрита модель раптом здається гіршою, першим підозрюваним варто вважати хостинг, а не саму модель.
Підтримка і відповідальність. Коли закрита модель поводиться погано, є постачальник, до якого можна звернутися. Коли погано поводяться самостійно розгорнуті ваги, є лише трекер задач на GitHub.
Три способи насправді почати користуватися
1. Через багатомодельний робочий простір. Шлях без налаштувань: Whizi включає відкриті моделі, як Llama, DeepSeek, Kimi, Qwen і Mistral, поряд з GPT, Claude і Gemini, тож вибір між відкритим і закритим перестає бути рішенням на рівні підписки і стає рішенням на рівні кожного запитання. Надсилайте масштабну роботу дешевим відкритим моделям, а складні міркування, флагману, все в межах однієї розмови.
2. Через API. Для розробників хостовані відкриті моделі за наведеними вище цінами, це головна причина дивитися поза межі флагманських постачальників для продакшн-навантажень.
3. На власному апаратному забезпеченні. Ollama і LM Studio роблять локальний запуск справді простим уже зараз. Обирайте цей шлях заради приватності чи офлайн-потреб, а не заради заощаджень: електроенергія дешева, а GPU, ні.
- Перевіряйте ліцензію перш ніж будувати щось комерційне: MIT і Apache безумовні, ліцензії у стилі Llama, ні
- Спрямовуйте масштабні завдання спершу на відкриті моделі: різниця в ціні за відповідь становить від 20 до 100 разів
- Довіряйте заявленим бенчмаркам лише як попередньому списку, а перед остаточним вибором перевіряйте на власному завданні
- Якщо хостована відкрита модель показує гірші результати, спробуйте іншого хостингового провайдера, перш ніж звинувачувати саму модель
- Запускайте локально заради приватності чи офлайн-використання, а не заради економії грошей
- Тримайте під рукою одну флагманську модель для завдань, де розрив ще помітний
Поширені запитання
Яка зараз найкраща open source LLM?
За опублікованими рейтингами середини 2026 року Kimi K3 загалом лідирує серед відкритих релізів, а DeepSeek V4 Pro йде трохи позаду з найкращими результатами в кодуванні під справжньою ліцензією MIT. Для однієї GPU звичним вибором є щільні моделі середнього розміру Qwen. Рейтинг змінюється кожні кілька місяців, тож будь-яку статичну відповідь варто сприймати лише як початковий список для перевірки.
Чи такі ж хороші open source LLM, як ChatGPT або Claude?
За багатьма опублікованими бенчмарками найкращі відкриті моделі тепер відстають від закритих флагманів лише на кілька пунктів, а для повсякденних питань різницю майже неможливо помітити. Закриті моделі досі мають перевагу в найскладніших завданнях на міркування і мають значно більш довершений продукт: голос, інструменти дослідження, пам'ять. Для масштабної або чутливої до вартості роботи відкриті моделі часто є кращим вибором.
Чи справді open source LLM безкоштовні?
Ваги можна завантажити безкоштовно, а обчислення ніколи не безкоштовні. Щоб запустити потужну модель самостійно, потрібна серйозна GPU, а хостований доступ тарифікується за токен, просто дуже дешево: приблизно $0.0003 за стандартну відповідь для Llama 3.3 70B проти $0.02 і більше для закритого флагмана. Безкоштовно в сенсі ліцензії, дешево в практичному сенсі.
Чи можу я запустити open source LLM на своєму ноутбуці?
Так, але з скоригованими очікуваннями. Інструменти, як Ollama і LM Studio, запускають малі та середні моделі на споживчому апаратному забезпеченні, а ноутбук без потужної GPU впорається з малими моделями. Ви отримуєте повну приватність і офлайн-використання, натомість втрачаєте можливості великих моделей, яким потрібне апаратне забезпечення дата-центру або хостований провайдер.
Яка різниця між open source і open weights?
Open source у строгому сенсі означає ліцензію, як MIT чи Apache, без суттєвих обмежень, і саме такі ліцензії мають релізи DeepSeek і Qwen. Open weights означає, що модель можна завантажити, але ліцензія додає умови, як ліцензія Llama, що обмежує дуже масштабні комерційні розгортання. Окремі користувачі рідко помічають цю різницю, а компанії, які вбудовують модель, мають перевірити це першими.
