Các LLM mã nguồn mở tốt nhất năm 2026 và chi phí vận hành thực tế

Câu trả lời ngắn gọn

Về năng lực thô ở quy mô trung tâm dữ liệu, những mô hình dẫn đầu bảng xếp hạng giữa năm 2026 là Kimi K3, mà Moonshot đã công bố trọng số vào tháng 7 năm 2026 với cửa sổ ngữ cảnh 1M token, và DeepSeek V4, mà biến thể Pro báo cáo đạt 80,6% trên benchmark lập trình SWE-bench Verified dưới giấy phép MIT. Cả hai đều cạnh tranh sòng phẳng với các mô hình đóng hàng đầu trên các đánh giá công khai.

Với một GPU tốt duy nhất, các mô hình dense cỡ trung của Qwen là lựa chọn mặc định. Với một chiếc laptop không có GPU nào, các mô hình nhỏ như Gemma là mức trần thực tế. Và với các nhà phát triển chỉ muốn suy luận rẻ và có khả năng qua API, Llama 3.3 70B và DeepSeek V3.2 trả lời với chi phí chỉ bằng một phần rất nhỏ so với các mô hình frontier.

Tiêu đề trung thực là câu hỏi "mô hình mở nào tốt nhất" giờ đây có cùng dạng câu trả lời với việc chọn mô hình AI nào để dùng nói chung: nó tùy vào nhiệm vụ và nơi mô hình chạy, và khoảng cách với các mô hình đóng đã hẹp đến mức giá cả và giấy phép thường quyết định.

Mã nguồn mở hay open weights? Giấy phép mới là điều quan trọng

Nhãn "mã nguồn mở" che giấu ba loại thỏa thuận khác nhau, và sự khác biệt vô hình cho đến khi nó khiến bạn phải trả giá.

Giấy phép mở thực sự (MIT, Apache). DeepSeek phát hành theo MIT: dùng nó, sửa nó, xây dựng sản phẩm thương mại trên nó, không có điều kiện nào đáng lo. Đây là ý nghĩa nghiêm ngặt nhất của mã nguồn mở, và đến năm 2026 vài mô hình đẳng cấp frontier cuối cùng cũng mang giấy phép này.

Open weights có điều kiện. Giấy phép Llama của Meta là ví dụ nổi tiếng: trọng số có thể tải xuống và miễn phí cho gần như tất cả mọi người, nhưng giấy phép hạn chế các triển khai thương mại quy mô rất lớn và một số cách sử dụng nhất định. Bài giải thích về Llama nói rõ vì sao sự phân biệt này bị tranh luận nhiều trên mạng.

Open weights, hạn chế nghiên cứu. Một số bản phát hành cho phép nghiên cứu và sử dụng cá nhân nhưng cấm hoàn toàn triển khai thương mại. Đọc kỹ trước khi xây dựng.

Với một cá nhân dùng các mô hình này qua một sản phẩm chat, không điều gì trong số này thay đổi gì cả. Với một công ty triển khai phần mềm dựa trên một mô hình, giấy phép là điều đầu tiên cần kiểm tra, trước cả bất kỳ benchmark nào.

So sánh các mô hình mở dẫn đầu năm 2026

Các mức giá là giá API được lưu trữ cho mỗi triệu token, lấy từ chỉ số chi phí mô hình của Whizi, thu thập ngày 2026-08-20 từ giá niêm yết của OpenRouter. Các số liệu benchmark là kết quả do nhà phát triển tự báo cáo trên các bảng xếp hạng công khai.

Có hai xu hướng đáng chú ý. Thứ nhất, cửa sổ ngữ cảnh 1M token, từng là điểm bán hàng của các mô hình đóng, giờ đã trở thành chuẩn mực ở các bản phát hành mở; bảng so sánh cửa sổ ngữ cảnh theo dõi toàn bộ danh sách. Thứ hai, sàn giá tiếp tục giảm: Qwen3.7 Flash trả lời một truy vấn tiêu chuẩn với giá $0.000095 theo chỉ số chi phí, tức một nghìn câu trả lời chưa tới một hào (dime).

Chi phí vận hành thực tế là bao nhiêu?

Chỉ số chi phí của Whizi định giá mỗi mô hình cho một câu trả lời tiêu chuẩn, 1.000 token đầu vào cộng 500 token đầu ra, để các mức giá niêm yết trở nên so sánh được. Theo thước đo này, các mô hình mở không chỉ rẻ hơn đôi chút so với các mô hình đóng hàng đầu; chúng thuộc một hạng mục kinh tế hoàn toàn khác.

Một câu trả lời tiêu chuẩn từ Llama 3.3 70B tốn $0.00026. Từ DeepSeek V3.2, $0.00047. Từ Kimi K3, mô hình mở đắt nhất trong chỉ số, $0.0105. Các mô hình đóng hàng đầu nằm ở mức $0.0175 đến $0.035 cho cùng câu trả lời, và chênh lệch toàn chỉ số từ rẻ nhất đến đắt nhất là khoảng 2.000 lần. Một nghìn câu trả lời từ Llama 3.3 tốn 26 xu; cùng một nghìn câu trả lời đó từ một mô hình đóng hàng đầu có thể vượt $30.

Đây là lý do các mô hình mở âm thầm cung cấp năng lượng cho tầng nhanh hoặc tiết kiệm của nhiều sản phẩm AI, và vì sao các nhiệm vụ khối lượng lớn, phân loại, trích xuất, tóm tắt ở quy mô lớn, hầu như luôn rơi vào tay chúng. Chỉ số chi phí trực tiếp có đầy đủ bảng 100 mô hình với phép tính chi phí cho mỗi câu trả lời.

Lưu ý giữ mọi thứ trung thực: tự chạy trọng số chỉ miễn phí nếu thời gian và phần cứng của bạn cũng miễn phí. Một GPU đủ mạnh để phục vụ tốt một mô hình 70B là khoản mua sắm bốn con số, và các mô hình cỡ trung vừa với một GPU tiêu dùng phải đánh đổi năng lực để làm được điều đó. Với hầu hết mọi người, truy cập qua dịch vụ lưu trữ các mô hình mở nắm bắt được lợi thế giá mà không cần phần cứng.

Nên dùng mô hình mở nào cho công việc nào

Công việc khối lượng lớn, nhạy cảm về chi phí (tóm tắt, trích xuất, gắn thẻ): Llama 3.3 70B hoặc Qwen3.7 Flash. Với giá chỉ vài phần mười xu cho mỗi câu trả lời, chi phí của việc đôi khi sai thấp hơn chi phí của một mô hình cao cấp luôn đúng.

Lập trình: DeepSeek V4 Pro hoặc các biến thể lập trình của Kimi K3. Các con số SWE-bench báo cáo đưa chúng vào cuộc cạnh tranh thực sự với các trợ lý lập trình đóng, và giấy phép MIT khiến DeepSeek trở thành lựa chọn an toàn để nhúng vào. Claude vs DeepSeek so sánh trực tiếp hai mô hình này.

Tài liệu dài: bất kỳ bản phát hành ngữ cảnh 1M nào, với Llama 4 Maverick là lựa chọn tiết kiệm ở mức $0.20 mỗi triệu token đầu vào.

Cục bộ và riêng tư: một mô hình cỡ trung của Qwen trên GPU 24 GB, hoặc các mô hình nhỏ hạng Gemma trên laptop. Sự riêng tư là tuyệt đối, năng lực ở mức trung bình, và hướng dẫn Llama nói về kỳ vọng thực tế khi chạy cục bộ.

Công việc đa ngôn ngữ và lưu trữ tại châu Âu: Mistral Large 3, mô hình cũng là trọng tâm của bài giải thích về Mistral.

Những điểm mô hình mở vẫn còn thua kém

Một hướng dẫn trung thực phải chỉ rõ những khoảng trống, vì chúng là thật và chúng quyết định các lựa chọn mua sắm.

Đỉnh cao nhất của khả năng suy luận. Trên các nhiệm vụ suy luận nhiều bước và có tính agentic khó nhất, các mô hình đóng hàng đầu vẫn giữ lợi thế trên hầu hết các đánh giá công khai. Khoảng cách đã thu hẹp đáng kể, nhưng chưa đóng lại.

Sự hoàn thiện và sản phẩm. Open weights được phát hành dưới dạng trọng số. Các chế độ giọng nói, công cụ nghiên cứu sâu, bộ nhớ và hệ sinh thái ứng dụng là công việc kỹ thuật sản phẩm mà các nhà cung cấp đóng đóng gói sẵn, còn các mô hình mở để lại cho bất kỳ ai lưu trữ chúng.

Sự nhất quán khi lưu trữ. Cùng một mô hình mở có thể hoạt động khác nhau tùy theo nhà lưu trữ, phụ thuộc vào lượng tử hóa và cách phục vụ, một kiểu lỗi mà các API đóng không có. Nếu một mô hình mở bất chợt tệ hơn, hãy nghi ngờ nhà lưu trữ trước khi nghi ngờ mô hình.

Hỗ trợ và trách nhiệm. Khi một mô hình đóng gặp lỗi, có một nhà cung cấp chịu trách nhiệm. Khi trọng số tự lưu trữ gặp lỗi, chỉ có một trình theo dõi issue trên GitHub.

Ba cách để thực sự sử dụng chúng

1. Qua một workspace đa mô hình. Con đường không cần thiết lập: Whizi bao gồm các mô hình mở như Llama, DeepSeek, Kimi, Qwen và Mistral bên cạnh GPT, Claude và Gemini, để việc chọn mở hay đóng không còn là quyết định đăng ký mà trở thành quyết định cho từng câu hỏi. Gửi các công việc khối lượng lớn cho các mô hình mở rẻ và các suy luận khó cho một mô hình cao cấp, ngay trong cùng một cuộc trò chuyện.

2. Qua API. Đối với các nhà phát triển, các mô hình mở được lưu trữ với mức giá kể trên là lý do chính để nhìn ra ngoài các nhà cung cấp frontier cho các tải trọng sản xuất.

3. Trên phần cứng của riêng bạn. Ollama và LM Studio giờ giúp việc chạy cục bộ thực sự dễ dàng. Hãy chọn cách này vì sự riêng tư hoặc nhu cầu offline, không phải để tiết kiệm; điện thì rẻ nhưng GPU thì không.