5 Bedste Åbne Kilde LLM’er (august 2026)

Åbne kilde og åbne vægt store sprogmodeller dækker nu alt fra kompakte lokale assistenter til trillion-parameter systemer designet til lang-horizon software-arbejde. Det stærkeste valg er ikke blot modellen med den største parameter-tælling. Udrulnings-hardware, kontekst-længde, modalitet, værktøjs-understøttelse, licens-betingelser og mængden af operativ kontrol, som et team har brug for, kan være lige så vigtigt.

Denne liste fokuserer på fem nuværende model-familier, der tilbyder usædvanligt stærke evner, samtidig med at udviklere får meningsfuld adgang til vægte. Nogle bruger permissive software-licenser, mens andre bruger brugerdefinerede model-betingelser, så organisationer bør gennemgå den gældende licens, før de udruller. Udvælgelsen adskiller også mellem totale parametre og aktiverede parametre, da mixture-of-experts-arkitekturer kan være ekstremt store, mens de kun bruger en brøkdel af deres vægte til hvert token.

Til de fleste teams kommer den praktiske beslutning ned til workload. DeepSeek V4 og GLM-5.2 er rettet mod krævende reasoning og agentic arbejde i meget stor skala. Kimi K3 kombinerer naturlig vision med en usædvanligt lang kontekst-vindue. Qwen3.6-35B-A3B tilbyder en mere udrulningsbar multimodal mixture-of-experts-design, mens OpenAI’s gpt-oss-familie tilbyder to tekst-fokuserede muligheder med gennemsigtige reasoning-kontroller og bredt værktøjs-understøttelse.

Bedste Åbne Kilde LLM’er Sammenlignet

1. DeepSeek V4

DeepSeek V4 er en stor mixture-of-experts-model-familie bygget til svær kodning, reasoning, værktøjs-brug og agentic arbejde. V4-Pro-konfigurationen har 1,6 billion totale parametre, mens 49 milliarder aktiveres for hvert token, og den mere efficiente V4-Flash-konfiguration bruger 284 milliarder totale med 13 milliarder aktiverede. Begge er designed omkring en million-token kontekst-vindue, hvilket giver udviklere plads til at arbejde på tværs af store repositories, omfattende dokumentation og lange interaktionshistorier.

Dens hybrid opmærksomheds-arkitektur er designet til at balancere lang-kontekst kapacitet med praktisk inferens, mens multiple reasoning-tilstande lader teams tilpasse adfærd til forskellige opgaver. Denne fleksibilitet er nyttig for systemer, der skifter mellem direkte svar, bevidst problem-løsning, værktøjs-eksekvering og udvidet software-arbejde. DeepSeek fremhæver også funktion-kald og agentic pålidelighed, hvilket gør V4 særligt relevant for assistenter, der skal planlægge, handle, inspicere resultater og revidere deres tilgang.

Modellen er udgivet under MIT-licensen, hvilket gør den attraktiv for organisationer, der ønsker bred udrulnings-frihed. Det er dog en operativ skala: selv med sparsom aktivering er de fulde checkpoints substantielle og kræver seriøs infrastruktur, kvantificering eller en kompetent hosting-partner. Teams bør evaluere latency, hukommelses-krav og værktøjs-opførsel på deres eget workload, før de behandler det store kontekst-vindue som en erstatning for henting og omhyggelig kontekst-styring.

Besøg DeepSeek V4

2. GLM-5.2

GLM-5.2 er Z.ai’s flagship åbne-vægt model for lang-horizon professionel arbejde, kompleks reasoning, software-ingeniørarbejde og værktøjs-brug-agenter. Modellen har 753 milliarder parametre og en million-token kontekst-vindue, hvilket positionerer den for store kode-baser, dybe dokument-analyser og workflows, der skal opretholde en koherent mål på tværs af mange handlinger. Dens arkitektur og træning fremhæver pålidelig eksekvering snarere end kun isolerede benchmark-svar.

En bemærkelsesværdig styrke er justerbar tænke-insats. Udviklere kan vælge forskellige reasoning-dybder afhængigt af opgavens sværhedsgrad og latency-profil, hvilket er nyttigt, når samme applikation håndterer både rutine-anmodninger og svære planlægnings-opgaver. GLM-5.2 understøtter også funktion-kald og agent-workflows, hvilket tillader den at interagere med udviklings-miljøer, forsknings-værktøjer og strukturerede forretnings-systemer, mens den opretholder en udvidet arbejdskontekst.

Modellen er distribueret under MIT-licensen. Selv om det er tilfældet, gør dens parameter-tælling selv-udrulning til en alvorlig infrastruktur-beslutning, og produktions-teams vil skulle tage hensyn til server-arkitektur, hukommelse, overvågning og sikkerheds-kontroller. GLM-5.2 giver mest mening, når dens lang-kontekst reasoning og bærekraftig opgave-eksekvering er centrale krav snarere end funktioner, der kun sjældent vil blive brugt.

Besøg GLM-5.2

3. Kimi K3

Kimi K3 er Moonshot AI’s åbne-vægt multimodal model for udvidet kodning, forskning, reasoning og viden-arbejde-agenter. Udgivet i juli 2026, kombinerer den 2,8 billion parametre med naturlig visuel forståelse og en million-token kontekst-vindue. Den kombination tillader en enkelt workflow at reasonere på tværs af tekst, kode, screenshots, diagrammer, dokumenter og lange interaktionshistorier uden at behandle vision som en separat tilføjelse.

Modellen er særligt relevant for langvarige agent-opgaver, der involverer mange intermediate beslutninger. Kimi’s agent-miljø er designet til at koordinere værktøjer og opretholde arbejde over lange sessioner, mens den store kontekst-vindue kan rumme bredt projekt-tilstand og understøttende materiale. Naturlig vision giver den også en fordel i opgaver som interface-inspektion, visuel dokument-analyse og software-workflows, der kombinerer kildekode med rendered output.

Kimi K3 bruger brugerdefinerede model-betingelser snarere end en standard permissive software-licens, så teams bør undersøge licensen mod deres udrulnings- og distributions-krav. Dens skala betyder, at de fleste organisationer vil afhænge af optimerede server-stacks eller hosted-infrastruktur. Modellen er overbevisende, når multimodalitet og lang-horizon-eksekvering samarbejder sammen, men lettere workloads kan ikke udnytte det nok til at retfærdiggøre den operative overhæng.

Besøg Kimi K3

4. Qwen3.6-35B-A3B

Qwen3.6-35B-A3B er en effektiv multimodal mixture-of-experts-model med 35 milliarder totale parametre og kun 3 milliarder aktiverede for hvert token. Den integrerer en vision-encoder for billed-og-tekst-forståelse, mens den forbliver meget mere tilgængelig til udrulning end de trillion-parameter-systemer ovenfor. Modellen har en naturlig kontekst-vindue på 262.144 token og understøtter udvidelser til omtrent en million token for workloads, der virkelig har brug for den ekstra rækkevidde.

Qwen positionerer modellen for agentic kodning, værktøjs-brug, visuel reasoning og generel agent-opgaver. Tænke-tilstands-bevarelse kan hjælpe multi-trin workflows med at fortsætte reasoning på tværs af interaktioner, mens kompatibilitet med Qwen-Agent og Model Context Protocol-integrationer gør det lettere at tilslutte modellen til eksterne værktøjer og data. Dens relativt lave aktiverede parameter-tælling er særligt attraktiv for teams, der ønsker kapabel multimodal adfærd uden at skulle engagere sig i infrastruktur-profilen for et flagskib-model.

Apache 2.0-licensen understøtter bred eksperimentering og udrulning. Som med enhver mixture-of-experts-model afhænger reel-verdens-ydelse af server-stack og opgave, og udvidelse af kontekst langt ud over den naturlige vindue kan øge hukommelses-brug og reducere fokus. Teams bør benchmark både basis- og udvidet-kontekst-konfigurationer snarere end at antage, at den maksimale vindue er den bedste standard.

Besøg Qwen3.6-35B-A3B

5. gpt-oss

OpenAI’s gpt-oss-familie består af to tekst-til-tekst modeller designet til lokal, privat og tilpasset udrulning. Den større gpt-oss-120b har 117 milliarder totale parametre med 5,1 milliarder aktiverede for hvert token og er designet til at køre inden for 80GB hukommelse. Den mindre gpt-oss-20b har 21 milliarder totale parametre med 3,6 milliarder aktiverede og kan operere inden for 16GB, hvilket gør den tilgængelig for en langt bredere række af arbejdsstationer og edge-orienterede systemer.

Begge varianter tilbyder en 128.000-token kontekst-vindue, konfigurerbar reasoning-insats, naturlig værktøjs-brug og strukturerede outputs. De er særligt nyttige for udviklere, der ønsker gennemsigtige kontroller over inferens-stack, privat data-håndtering eller en tilpasningsbar reasoning-komponent inden for en større applikation. Modellerne er ikke de samme systemer, der bruges i ChatGPT eller serveres gennem OpenAI-API’et; de er downloadbare vægte designet til uafhængig udrulning.

Udgivet under Apache 2.0, tilbyder gpt-oss enkel og fleksibel licens-betingelser for forskning og kommerciel udvikling. Dens tekst-til-tekst-design er en begrænsning for applikationer, der kræver naturlig billed- eller lyd-forståelse, og teams forbliver ansvarlige for servering, opdateringer, sikkerheds-lag og overvågning. Mellem de to varianter er 20b-modellen den praktiske start-point for begrænsede hardware, mens 120b er bedre egnede til workloads, der kan drage fordel af stærkere reasoning og kan understøtte en større hukommelses-fodaftryk.

Besøg gpt-oss

Valg af den Rette Åbne Kilde LLM

DeepSeek V4 er den stærkeste fit her for teams, der prioriterer meget stor skala kodning og fleksible reasoning-tilstande, mens GLM-5.2 fremhæver bærekraftig professionel og software-workflows. Kimi K3 står ud, når naturlig vision og lang-horizon agenter skal arbejde sammen på tværs af en million-token kontekst.

Til en mere effektiv multimodal udrulning kombinerer Qwen3.6-35B-A3B lav aktiveret parameter-tælling med vision, værktøjer og en stor naturlig kontekst. gpt-oss er den mest tilgængelige familie i denne gruppe for kontrollerbar tekst reasoning på selvstyret hardware. Før du engagerer dig, test hver kandidat på repræsentative prompts, verificér licensen for den intenderte brug, og evaluér latency, hukommelse, output-kvalitet, værktøjs-pålidelighed og operative sikkerheds-foranstaltninger som et komplet system.