5 Καλύτερες Ανοικτές Πηγές LLMs (Ιούνιος 2024)

Οι ανοικτές πηγές και ανοικτές μεγάλες γλωσσικές μοντέλα καλύπτουν τώρα όλα, από συμπαγείς τοπικές βοηθούς μέχρι συστήματα τρισεκατομμυρίων παραμέτρων που σχεδιάζονται για μακροχρόνια λογισμικά. Η ισχυρότερη επιλογή δεν είναι απλώς το μοντέλο με τον μεγαλύτερο αριθμό παραμέτρων. Η υλική υποδομή, το μήκος του контекstu, η modalidad, η υποστήριξη εργαλείων, οι όροι άδειας και ο βαθμός ελέγχου που χρειάζεται μια ομάδα μπορεί να έχει την ίδια σημασία.

Αυτή η λίστα επικεντρώνεται σε πέντε τρέχουσες οικογένειες μοντέλων που προσφέρουν ασυνήθιστα ισχυρές ικανότητες ενώ δίνουν στους développers σημαντική πρόσβαση στα βάρη. Κάποια χρησιμοποιούν άδειες λογισμικού με άδεια, ενώ άλλα χρησιμοποιούν προσαρμοσμένους όρους μοντέλου, οπότε οι οργανισμοί πρέπει να αναθεωρήσουν την εφαρμοστέα άδεια πριν από την ανάπτυξη. Η σειρά επίσης διακρίνει τον tổng αριθμό παραμέτρων από τις ενεργοποιημένες παραμέτρους, επειδή αρχιτεκτονικές mixture-of-experts μπορούν να είναι εξαιρετικά μεγάλες ενώ χρησιμοποιούν μόνο ένα κλάσμα των βαρών τους για κάθε token.

Για τις περισσότερες ομάδες, η πρακτική απόφαση κατεβαίνει στο φόρτο εργασίας. Τα DeepSeek V4 και GLM-5.2 στοχεύουν σε απαιτητική αιτιολογία και εργασία σε πολύ μεγάλη κλίμακα. Το Kimi K3 συνδυάζει φυσική όραση με ένα ασυνήθιστα μακρύ παράθυρο контекstu. Το Qwen3.6-35B-A3B προσφέρει ένα πιο αναployable multimodal mixture-of-experts σχέδιο, ενώ η οικογένεια gpt-oss της OpenAI παρέχει δύο κειμενο-εστιασμένες επιλογές με διαφανείς ελέγχους αιτιολογίας και ευρεία υποστήριξη εργαλείων.

Σύγκριση των Καλύτερων Ανοικτών Πηγών LLMs

1. DeepSeek V4

Το DeepSeek V4 είναι μια μεγάλη οικογένεια μοντέλων mixture-of-experts που κατασκευάζεται για δύσκολη κωδικοποίηση, αιτιολογία, χρήση εργαλείων και εργασίες agent. Η διαμόρφωση V4-Pro έχει 1,6 τρισεκατομμύρια συνολικές παραμέτρους ενώ ενεργοποιεί 49 δισεκατομμύρια για κάθε token, και η πιο αποδοτική διαμόρφωση V4-Flash χρησιμοποιεί 284 δισεκατομμύρια συνολικά με 13 δισεκατομμύρια ενεργοποιημένα. Και τα δύο σχεδιάζονται γύρω από ένα παράθυρο контекstu ενός εκατομμυρίου token, δίνοντας στους développers χώρο για να εργαστούν σε μεγάλες αποθήκες, εκτεταμένη τεκμηρίωση και μακρά ιστορία αλληλεπιδράσεων.

Η υβριδική αρχιτεκτονική προσοχής προορίζεται για να ισορροπήσει την ικανότητα μακρού контекstu με την πρακτική συλλογή, ενώ πολλαπλές λειτουργίες αιτιολογίας επιτρέπουν στις ομάδες να προσαρμόσουν τη συμπεριφορά σε διαφορετικές εργασίες. Αυτή η ευελιξία είναι χρήσιμη για συστήματα που εναλλάσσονται μεταξύ απευθείας απαντήσεων, προσεκτικής λύσης προβλημάτων, εκτέλεσης εργαλείων και επεκτάσεων λογισμικού. Το DeepSeek επίσης τονίζει την κλήση λειτουργίας και την αξιοπιστία agent, καθιστώντας το V4 ιδιαίτερα σχετικό για βοηθούς που χρειάζονται να σχεδιάσουν, να ενεργήσουν, να ελέγξουν τα αποτελέσματα και να αναθεωρήσουν την προσέγγισή τους.

Το μοντέλο είναι διαθέσιμο με την άδεια MIT, η οποία το καθιστά ελκυστικό για οργανισμούς που θέλουν ευρεία ελευθερία ανάπτυξης. Ο συμβιβασμός είναι η κλίμακα λειτουργίας: ακόμη και με σπάνια ενεργοποίηση, τα πλήρη checkpoints είναι σημαντικά και απαιτούν σοβαρή υποδομή, ποσοτική ή ικανό συνεργάτη φιλοξενίας. Οι ομάδες πρέπει να αξιολογήσουν τη καθυστέρηση, τις απαιτήσεις μνήμης και τη συμπεριφορά κλήσης εργαλείων στα δικά τους φορτία εργασίας πριν να θεωρήσουν το μεγάλο παράθυρο контекstu ως αντικατάσταση για ανάκτηση και προσεκτική διαχείριση контекstu.

Επισκεφθείτε το DeepSeek V4

2. GLM-5.2

Το GLM-5.2 είναι το flagship ανοικτού βάρους μοντέλο της Z.ai για μακροχρόνια επαγγελματική εργασία, σύνθετη αιτιολογία, μηχανική λογισμικού και χρήση εργαλείων agent. Το μοντέλο έχει 753 δισεκατομμύρια παραμέτρους και ένα παράθυρο контекstu ενός εκατομμυρίου token, το οποίο το θέτει για μεγάλες βάσεις κώδικα, βαθιά ανάλυση εγγράφων και εργασίες που πρέπει να διατηρήσουν ένα συνεκτικό αντικείμενο σε πολλές ενέργειες. Η αρχιτεκτονική και η εκπαίδευση του μοντέλου τονίζουν την αξιοπιστία εκτέλεσης plutôt από μόνο απομονωμένες απαντήσεις.

Μια αξιοσημείωτη δύναμη είναι η ρυθμιζόμενη σκέψη. Οι développers μπορούν να επιλέξουν διαφορετικά βάθη αιτιολογίας ανάλογα με τη δυσκολία και το προφίλ καθυστέρησης μιας εργασίας, το οποίο είναι χρήσιμο όταν η ίδια εφαρμογή χειρίζεται και κανονικές αιτήσεις και δύσκολη σχεδιασμό. Το GLM-5.2 επίσης υποστηρίζει κλήση λειτουργίας και εργασίες agent, επιτρέποντας του να αλληλεπιδράσει με περιβάλλοντα ανάπτυξης, εργαλεία έρευνας και δομημένα επιχειρηματικά συστήματα ενώ διατηρεί ένα επεκταμένο контекστ εργασίας.

Το μοντέλο είναι διαθέσιμο με την άδεια MIT. Παρόλα αυτά, ο αριθμός παραμέτρων του κάνει την αυτο-φιλοξενία μια σοβαρή απόφαση υποδομής, και οι ομάδες παραγωγής θα πρέπει να λογαριαστούν για την αρχιτεκτονική εξυπηρέτη, μνήμη, παρατηρησιμότητα και ελέγχους ασφαλείας. Το GLM-5.2 έχει την πιο μεγάλη σημασία όταν η μακροχρόνια αιτιολογία και η συνεχής εκτέλεση εργασιών είναι κεντρικές απαιτήσεις 而 όχι χαρακτηριστικά που θα χρησιμοποιηθούν σπάνια.

Επισκεφθείτε το GLM-5.2

3. Kimi K3

Το Kimi K3 είναι το ανοικτό βάρους μοντέλο της Moonshot AI για επεκτάσεις κωδικοποίησης, έρευνας, αιτιολογίας και εργασιών γνώσης. Κυκλοφόρησε τον Ιούλιο του 2026, συνδυάζει 2,8 τρισεκατομμύρια παραμέτρους με φυσική κατανόηση και ένα παράθυρο контекstu ενός εκατομμυρίου token. Αυτή η συνδυασμένη ικανότητα επιτρέπει σε μια εργασία να αιτιολογηθεί σε κείμενο, κώδικα, οθόνες, διαγράμματα, έγγραφα και μακράς διάρκειας ιστορία αλληλεπιδράσεων χωρίς να αντιμετωπίζει την όραση ως ξεχωριστό πρόσθετο.

Το μοντέλο είναι ιδιαίτερα σχετικό για μακροχρόνιες εργασίες agent που περιλαμβάνουν πολλές ενδιάμεσες αποφάσεις. Το περιβάλλον agent του Kimi σχεδιάζεται για να συντονίσει εργαλεία και να διατηρήσει εργασία σε επεκτάσεις συνεδριών, ενώ το μεγάλο παράθυρο контекstu μπορεί να κρατήσει ευρεία κατάσταση έργου και υποστηρικτικό υλικό. Η φυσική όραση επίσης δίνει μια πλεονεκτική θέση σε εργασίες όπως η επιθεώρηση διεπαφής, η ανάλυση εγγράφων και οι εργασίες λογισμικού που συνδυάζουν κώδικα με αποδοθείσα έξοδο.

Το Kimi K3 χρησιμοποιεί προσαρμοσμένους όρους μοντέλου 而 όχι μια τυπική άδεια λογισμικού με άδεια, οπότε οι ομάδες πρέπει να εξετάσουν την άδεια έναντι των απαιτήσεων ανάπτυξης και διανομής. Η κλίμακα του σημαίνει ότι οι περισσότερες οργανώσεις θα βασιστούν σε βελτιωμένες στοίβες εξυπηρέτη ή φιλοξενίας. Το μοντέλο είναι ελκυστικό όταν η multimodalidad και η μακροχρόνια εκτέλεση έχουν σημασία μαζί, αλλά ελαφρύτερες εργασίες μπορεί να μην ωφεληθούν αρκετά για να δικαιολογήσουν την λειτουργική υπερβολική πολυπλοκότητα.

Επισκεφθείτε το Kimi K3

4. Qwen3.6-35B-A3B

Το Qwen3.6-35B-A3B είναι ένα αποδοτικό multimodal mixture-of-experts μοντέλο με 35 δισεκατομμύρια συνολικές παραμέτρους και μόνο 3 δισεκατομμύρια ενεργοποιημένες για κάθε token. Ενσωματώνει einen κωδικοποιητή όρασης για κατανόηση εικόνας και κειμένου ενώ παραμένει πολύ πιο προσιτό για ανάπτυξη από τα τρισεκατομμύρια συστήματα πάνω από αυτό. Το μοντέλο έχει ένα φυσικό παράθυρο контекstu 262,144 token και υποστηρίζει επεκτάσεις σε περίπου ένα εκατομμύριο token για φορτία εργασίας που πραγματικά χρειάζονται την πρόσθετη εμβέλεια.

Το Qwen θέτει το μοντέλο για αιτιολογική κωδικοποίηση, χρήση εργαλείων, οπτική αιτιολογία και γενικές εργασίες βοηθού. Η διατήρηση της κατάστασης σκέψης μπορεί να βοηθήσει τις εργασίες πολλαπλών βημάτων να συνεχίσουν την αιτιολογία σε αλληλεπιδράσεις, ενώ η συμβατότητα με Qwen-Agent και Protocol Model Context Protocol integrations κάνει πιο εύκολη την σύνδεση του μοντέλου με εξωτερικά εργαλεία και δεδομένα. Ο σχετικά χαμηλός αριθμός ενεργοποιημένων παραμέτρων είναι ιδιαίτερα ελκυστικός για ομάδες που θέλουν ικανές multimodal συμπεριφορές χωρίς να δεσμεύονται στην υποδομή προφίλ eines flagship-μοντέλου.

Η άδεια Apache 2.0 υποστηρίζει ευρεία πειραματική και αναπτυξιακή χρήση. Όπως και με οποιοδήποτε mixture-of-experts μοντέλο, η πραγματική απόδοση εξαρτάται από τη στοίβα εξυπηρέτη και την εργασία, και η επέκταση του контекstu πολύ πέρα από το φυσικό παράθυρο μπορεί να αυξήσει τη χρήση μνήμης και να μειώσει την εστίαση. Οι ομάδες πρέπει να αξιολογήσουν cả τις βασικές και επεκτάσεις-παράθυρου διαμορφώσεις αντί να υποθέτουν ότι το μέγιστο παράθυρο είναι η καλύτερη προεπιλογή.

Επισκεφθείτε το Qwen3.6-35B-A3B

5. gpt-oss

Η οικογένεια gpt-oss της OpenAI αποτελείται από δύο μοντέλα κειμένου-μόνο αιτιολογίας που σχεδιάζονται για τοπική, ιδιωτική και προσαρμόσιμη ανάπτυξη. Η μεγαλύτερη gpt-oss-120b έχει 117 δισεκατομμύρια συνολικές παραμέτρους με 5,1 δισεκατομμύρια ενεργοποιημένες για κάθε token και σχεδιάζεται για να τρέχει μέσα σε 80GB μνήμης. Η μικρότερη gpt-oss-20b έχει 21 δισεκατομμύρια συνολικές παραμέτρους με 3,6 δισεκατομμύρια ενεργοποιημένες και μπορεί να λειτουργήσει μέσα σε 16GB, καθιστώντας την προσιτή σε ένα πολύ μεγαλύτερο εύρος σταθμών εργασίας και συστημάτων προσανατολισμένων στην άκρη.

Και οι δύο παραλλαγές παρέχουν ένα παράθυρο контекstu 128,000 token, ρυθμιζόμενη προσπάθεια αιτιολογίας, φυσική χρήση εργαλείων και δομημένες εξόδους. Είναι ιδιαίτερα χρήσιμες για développers που θέλουν διαφανή έλεγχο του στυλ συλλογής, ιδιωτική διαχείριση δεδομένων ή einen προσαρμόσιμο συντελεστή αιτιολογίας μέσα σε μια μεγαλύτερη εφαρμογή. Τα μοντέλα δεν είναι τα ίδια συστήματα που χρησιμοποιούνται στο ChatGPT ή που εξυπηρετούνται μέσω του API της OpenAI· είναι ληψίματα βαρών που προορίζονται για ανεξάρτητη ανάπτυξη.

Η άδεια Apache 2.0 προσφέρει απλές όρους για έρευνα και εμπορική ανάπτυξη. Η σχεδίαση κειμένου-μόνο είναι μια περιορισμός για εφαρμογές που απαιτούν φυσική κατανόηση εικόνας ή ήχου, και οι ομάδες παραμένουν υπεύθυνες για εξυπηρέτηση, ενημερώσεις, στρώματα ασφαλείας και παρακολούθηση. Μεταξύ των δύο παραλλαγών, το μοντέλο 20b είναι το πρακτικό σημείο εκκίνησης για περιορισμένη υλική, ενώ το 120b είναι πιο κατάλληλο για φορτία εργασίας που ωφελούνται από ισχυρότερη αιτιολογία και μπορούν να υποστηρίξουν μια μεγαλύτερη αποτύπωση μνήμης.

Επισκεφθείτε το gpt-oss

Επιλογή του Σωστού Ανοικτού Πηγαίου LLM

DeepSeek V4 είναι η ισχυρότερη ταίριασμα εδώ για ομάδες που προτεραιοποιούν πολύ μεγάλης κλίμακας κωδικοποίηση και ρυθμιζόμενες λειτουργίες αιτιολογίας, ενώ GLM-5.2 τονίζει συνεχείς επαγγελματικές και λογισμικές εργασίες. Kimi K3 ξεχωρίζει όταν φυσική όραση και μακροχρόνια agent πρέπει να συνεργαστούν σε ένα εκατομμύριο token контекστ.

Για μια πιο αποδοτική multimodal ανάπτυξη, Qwen3.6-35B-A3B συνδυάζει χαμηλό αριθμό ενεργοποιημένων παραμέτρων με όραση, εργαλεία και μεγάλο φυσικό контекστ. gpt-oss είναι η πιο προσιτή οικογένεια σε αυτή την ομάδα για ελέγχου κειμένου αιτιολογίας σε αυτοδιαχειριζόμενη υλική. Πριν να δεσμευτείτε, δοκιμάστε κάθε υποψήφιο σε αντιπροσωπευτικές προτροπές, επιβεβαιώστε την άδεια για την προτεινόμενη χρήση και αξιολογήστε καθυστέρηση, μνήμη, ποιότητα εξόδου, αξιοπιστία εργαλείου και ελέγχους ασφαλείας ως ένα ολοκληρωμένο σύστημα.