2026年最佳開源LLM，以及實際運行成本

簡短的答案

若要在資料中心規模下追求最原始的能力，2026年年中的排行榜領先者是Kimi K3（Moonshot於2026年7月公開其權重，上下文視窗達1M token）和DeepSeek V4（其Pro版本在SWE-bench Verified程式碼基準測試中回報80.6%的成績，並採用MIT授權）。兩者在公開評測中都能與封閉旗艦模型一較長短。

如果你只有一張不錯的GPU，Qwen中型密集模型是預設首選。如果你的筆電完全沒有GPU，像Gemma這樣的小型模型就是實際上限。而對只想透過API取得便宜又能幹的推論服務的開發者來說，Llama 3.3 70B和DeepSeek V3.2的回答成本只是頂級模型收費的一小部分。

老實說，「哪個開源模型最好」現在的答案形式，跟該用哪個AI模型這個問題一樣：取決於任務和運行環境，而且與封閉模型的差距已經縮小到讓價格和授權條款經常成為決定因素。

開源還是開放權重？授權條款真的很重要

「開源」這個標籤其實涵蓋三種不同的條件,而這個差異在讓你付出代價之前是看不見的。

真正的開源授權（MIT、Apache）。 DeepSeek採用MIT授權發布：你可以使用它、修改它、在它之上打造商業產品,沒有值得擔心的附加條件。這是開源最嚴格的定義,而2026年,終於有好幾個頂級模型採用了這種授權。

附條件的開放權重。 Meta的Llama授權是最著名的例子：權重可以免費下載,對幾乎所有人都免費,但授權限制了極大規模的商業部署和某些用途。Llama解說說明了為什麼這個區別在網路上一直被爭論。

開放權重,研究限制。 有些發布允許研究和個人使用,但完全限制商業部署。動手打造之前一定要先讀清楚授權。

對於透過聊天產品使用這些模型的個人來說,這些差異完全不影響。但對於要在它之上出貨軟體的公司來說,授權條款是在看任何基準測試之前就該先查清楚的第一件事。

2026年主流開源模型比較

以下價格為Whizi模型成本指數所列的每百萬token主機服務API費率,於2026-08-20從OpenRouter的公開價目表擷取。基準測試數字則是開發者在公開排行榜上回報的結果。

有兩個值得注意的趨勢。首先,曾是封閉模型賣點的1M token上下文視窗,現在已成為開源發布的標配;上下文視窗比較表追蹤了完整的清單。其次,價格下限持續下降：Qwen3.7 Flash在成本指數上每次標準查詢只要$0.000095,等於一千次回答不到一角美元。

實際運行成本到底是多少？

Whizi成本指數以「1,000個輸入token加500個輸出token」的標準回答為每個模型定價,讓公開費率變得可以互相比較。以這個標準衡量,開源模型並非只是比封閉旗艦模型便宜一點,而是屬於完全不同的經濟等級。

Llama 3.3 70B的一次標準回答成本是$0.00026。DeepSeek V3.2是$0.00047。Kimi K3是指數中最貴的開源模型,為$0.0105。封閉旗艦模型的同一個回答落在$0.0175到$0.035之間,而整個指數從最便宜到最貴的模型,差距大約是2,000倍。用Llama 3.3回答一千次只要26美分;同樣一千次換成封閉旗艦模型,可能超過$30。

這就是為什麼開源模型悄悄支撐著許多AI產品的快速或經濟方案,也是為什麼分類、擷取、大量摘要等高流量任務幾乎總是落在它們身上。即時成本指數提供完整的100個模型表格與每次回答成本計算。

誠實的警語是：自己運行權重,只有在你的時間和硬體都不花錢的情況下才算免費。一張能好好服務70B模型的GPU是四位數美元的支出,而能塞進一張消費級GPU的中型模型,是用能力去換取這一點。對大多數人來說,透過主機服務使用開源模型,才能不花硬體錢就拿到價格優勢。

哪個開源模型適合哪種工作

高流量、對成本敏感的工作（摘要、擷取、標記）：Llama 3.3 70B或Qwen3.7 Flash。每次回答只花幾分之一角美分,偶爾出錯的成本比讓高級模型每次都答對的成本還低。

程式碼撰寫：DeepSeek V4 Pro或Kimi K3的程式碼變體。回報的SWE-bench數字讓它們真正能與封閉的程式碼助手一較高下,而MIT授權讓DeepSeek成為安全的嵌入選擇。Claude對比DeepSeek做了正面對決測試。

長文件：任何1M上下文的發布版本都行,其中Llama 4 Maverick以每百萬輸入token $0.20的價格是預算首選。

本機與隱私需求：在24 GB GPU上跑Qwen中型模型,或在筆電上跑Gemma級的小型模型。隱私是絕對的,能力則是中等水準,Llama指南說明了本機運行的實際預期。

多語言與歐洲主機需求：Mistral Large 3,這也是Mistral解說的重點模型。

開源模型仍然輸在哪裡

一份誠實的指南必須點出這些落差,因為它們是真實存在的,而且會決定購買決策。

推理能力的最頂端。 在最困難的多步驟推理和代理型任務上,封閉旗艦模型在大多數公開評測中仍佔優勢。差距大幅縮小了,但還沒有完全消失。

打磨程度與產品完整性。 開放權重出貨的就是權重本身。語音模式、深度研究工具、記憶功能和應用生態系統,這些都是封閉服務商打包提供的產品工程,而開源模型則把它們留給任何提供主機服務的人去做。

主機服務的一致性。 同一個開源模型在不同主機上,可能因量化和服務方式的選擇而表現不同,這是封閉API不會遇到的問題。如果一個開源模型突然變差,先懷疑主機,而不是模型本身。

支援與責任歸屬。 封閉模型出問題時有廠商可以找。自架的權重出問題時,只有一個GitHub議題追蹤器。

三種實際使用方式

1. 透過多模型工作平台。 零設定的路線：Whizi把Llama、DeepSeek、Kimi、Qwen和Mistral這些開源模型,與GPT、Claude和Gemini放在一起,讓「開源還是封閉」不再是訂閱層級的決定,而是逐個問題的選擇。把大量的工作交給便宜的開源模型,把困難的推理交給旗艦模型,全部在同一段對話裡完成。

2. 透過API。 對開發者來說,以上述價格提供的主機服務開源模型,是生產環境工作負載繞開頂級供應商的主要理由。

3. 用你自己的硬體。 Ollama和LM Studio現在讓本機運行變得真正簡單。選擇這條路是為了隱私或離線需求,不是為了省錢；電費便宜,但GPU不便宜。