10 beste open-sourcemodellen (november 2026)

Het beste open-sourcemodel is het model dat je kunt inzetten, evalueren en onderhouden voor het werk dat je daadwerkelijk moet doen. Een model dat op een werkstation past, kan waardevoller zijn dan een model met een hogere score waarvoor een cluster nodig is. Omgekeerd kan een organisatie die veeleisende programmeeragenten inzet, redelijkerwijs aanzienlijke infrastructuurkosten accepteren voor betere prestaties bij taken.

We hebben elk model in deze gids onafhankelijk beoordeeld op mogelijkheden, praktische inzetbaarheid, licenties, documentatie en geschiktheid voor het beoogde gebruik. Dit is een redactionele rangschikking, geen nieuwe praktijktest: gepubliceerde prestatieclaims zijn afkomstig van de ontwikkelaars van de gekoppelde modellen en zijn niet rechtstreeks vergelijkbaar tussen verschillende testopstellingen of instellingen. Praktische toegankelijkheid weegt zwaar mee. Daarom staan Qwen3.8-27B, Gemma 4 en gpt-oss bovenaan de lijst.

Reikwijdte: Deze gids behandelt zowel open-sourcemodellen als modellen met open gewichten. Downloadbare gewichten bevatten niet noodzakelijkerwijs trainingsgegevens of onbeperkte gebruiksrechten. Bij elk model worden het checkpoint of de modelreeks en de licentie vermeld; ga er niet van uit dat een oudere versie of een ander model van dezelfde ontwikkelaar dezelfde licentievoorwaarden heeft. Beoordeeld op 14 oktober 2026.

Vergelijking van de beste open-source- en open-gewichten-LLM’s

1. Qwen3.8-27B

Qwen3.8-27B is onze eerste aanbeveling voor ontwikkelaars die een capabel, aanpasbaar model willen zonder meteen over te stappen op een grote GPU-cluster. Het combineert een dicht taalmodel met ingebouwd begrip van afbeeldingen en video, waardoor het geschikt is voor programmeren, documentanalyse, onderzoeksassistenten en toepassingen die schermafbeeldingen moeten interpreteren. De positie weerspiegelt de balans tussen mogelijkheden en praktische inzetbaarheid, niet de bewering dat het model bij elke benchmark als beste uit de bus komt.

Het model ondersteunt instelbaar redeneren en heeft standaard een contextvenster van 262.144 tokens, dat kan worden uitgebreid tot één miljoen tokens. Dat onderscheid is belangrijk: voor een uitgebreidere context zijn configuratie en extra middelen nodig, en dit mag niet worden beschouwd als de standaardervaring op een werkstation. Begin voor een interne documentassistent met een bescheiden context en informatieopvraging, en breid die pas uit wanneer langere invoer aantoonbaar betere antwoorden oplevert.

Voor het checkpoint geldt de Apache 2.0-licentie. Gekwantiseerde versies maken lokaal experimenteren toegankelijker, maar het taalmodel, de visioncomponenten, de cache en de runtime verbruiken allemaal geheugen. Kies een implementatie die expliciet ondersteuning biedt voor de architectuur en multimodale invoer; dat het model met alleen tekst succesvol wordt geladen, bewijst niet dat afbeeldingen, toolaanroepen of een uitgebreide context goed werken.

Bekijk de modelkaart van Qwen3.8-27B

2. Gemma 4

Gemma 4 is hier de veelzijdigste modelfamilie om multimodale toepassingen af te stemmen op verschillende hardwarebudgetten. Google biedt verschillende formaten, waaronder kleine modellen met een beperkt aantal effectieve parameters, een 12B-model, een mixture-of-expertsmodel met 26B parameters en een dicht 31B-model. Zo kunnen ontwikkelaars kiezen voor een oplossing die loopt van apparaten met beperkte capaciteit tot werkstations, zonder ervan uit te gaan dat elke gebruiker het grootste checkpoint kan draaien.

De mogelijkheden verschillen per model binnen de familie. Het 31B-model accepteert tekst en afbeeldingen, terwijl E2B, E4B en 12B ook audio-invoer ondersteunen. Kleinere varianten hebben een contextlengte van 128K en de grotere configuraties bieden 256K. Kies voor een toepassing met documenten of spraak eerst het specifieke checkpoint op basis van de vereiste invoer; het grootste model is niet automatisch het geschiktst als het een benodigde modaliteit niet ondersteunt.

Gemma 4 gebruikt Apache 2.0, maar bij de hardwareplanning is nog steeds voorzichtigheid geboden. De aantallen effectieve parameters van E2B en E4B tellen sommige grote embeddingcomponenten niet mee, dus die namen zijn geen betrouwbare maatstaf voor het benodigde geheugen. We waarderen de familie hoog vanwege de ruime keuze aan implementatiemogelijkheden; wie op één vast werkstation de maximale prestaties zoekt, kan de geschikte Gemma-variant het beste rechtstreeks vergelijken met Qwen op basis van de eigen documenten en prompts.

Bekijk de modelkaart van Gemma 4

3. gpt-oss

OpenAI’s gpt-oss blijft een praktisch startpunt voor privéredeneren met tekst en assistenten die tools kunnen gebruiken. De familie omvat 20b- en 120b-varianten, waarbij het kleinere model bedoeld is voor toegankelijkere hardware. Het staat hoog in de rangschikking omdat het beoogde gebruik duidelijk is: gebruikers kunnen een lokaal redeneersysteem bouwen zonder te beginnen met de infrastructuurvereisten van een model met een biljoen parameters.

De officiële release gebruikt MXFP4-kwantisering voor de expertgewichten. OpenAI documenteert dat 20b kan werken met 16GB geheugen en 120b op een GPU met 80GB; die cijfers zijn geen garanties voor elke contextlengte, runtime of aantal gelijktijdige gebruikers. De inspanning voor het redeneren kan worden aangepast en het model ondersteunt gestructureerde uitvoer en toolaanroepen wanneer de toepassing de benodigde uitvoeringslaag biedt.

Beide modellen gebruiken Apache 2.0 en vereisen de juiste Harmony-opmaak. Ze werken uitsluitend met tekst, dus voor visuele documentworkflows is een ander onderdeel nodig. Controleer bij een programmeerassistent de toolschema’s en het herstel na fouten voordat je schrijftoegang verleent. De belangrijkste reden om voor gpt-oss te kiezen, is de beheersbare en relatief toegankelijke tekstaferentie; wie native beeldverwerking belangrijk vindt, kan beter met een andere optie beginnen.

Bekijk de modelkaart van gpt-oss

4. DeepSeek V4

DeepSeek V4 is een sterke keuze voor organisaties die grootschalige inferentie aankunnen en brede mogelijkheden voor redeneren en programmeren nodig hebben. De belangrijkste update is de officiële Pro-0813-release, die de eerdere Pro-preview vervangt. Bij een evaluatie moet precies dat checkpoint worden vermeld, in plaats van elk eindpunt met het label V4 als gelijkwaardig te beschouwen, zeker wanneer resultaten worden vergeleken of veranderingen in het gedrag van agents worden opgespoord.

De familie omvat Pro, met in totaal 1,6 biljoen parameters en 49 miljard geactiveerde parameters per token, en Flash, met in totaal 284 miljard parameters en 13 miljard geactiveerde parameters. De architectuur ondersteunt een context van een miljoen tokens, terwijl de officiële Pro-release een module voor speculatieve decodering toevoegt. Deze ontwerpkeuzes zijn gericht op efficiëntie op aanzienlijke schaal; het aantal geactiveerde parameters beschrijft de berekening en neemt niet weg dat de overige expertgewichten moeten worden opgeslagen.

De release valt onder de MIT-licentie. We plaatsen het model lager dan de koplopers die op werkstations zijn gericht, omdat de complexiteit van de implementatie het aantal mogelijke gebruikers sterk beperkt, niet omdat kleinere modellen het universeel beter presteren. Een team dat een centrale inferentieservice bouwt, kan Pro en Flash vergelijken op kosten per voltooide taak, gelijktijdigheid en betrouwbaarheid van tools. Een individuele ontwikkelaar die een snelle lokale assistent zoekt, kan beter beginnen met een kleiner checkpoint elders in deze gids.

Bekijk de modelkaart van DeepSeek V4

5. GLM-5.3

GLM-5.3 is Z.ai’s vernieuwde model met open gewichten voor complexe softwareontwikkeling en langdurige agenttaken. Het gebruikt hetzelfde basismodel als GLM-5.2; de verbeteringen zijn het resultaat van training achteraf. De ontwikkelaar meldt aanzienlijke vooruitgang op benchmarks voor programmeren en agents, waardoor dit de relevante versie is om te beoordelen in plaats van simpelweg de positie en beschrijving van de vorige generatie te handhaven.

De kracht ervan ligt in langdurig werken met tools, bestanden en tussenresultaten. De gepubliceerde agentscore van een model hangt echter ook af van de harness, het redeneerbudget, het contextbeheer en de beschikbare tijd. Bij een assistent voor codeopslagplaatsen moet de evaluatie nagaan of het model de gevraagde wijziging doorvoert, regressies veroorzaakt en tools correct gebruikt. Een opvallende benchmarkscore alleen zegt niet of die resultaten ook worden behaald in een andere ontwikkelomgeving.

Het onderscheid in licenties is belangrijk: GLM-5.3 valt onder een eigen licentie, niet onder de MIT-licentie die eerder werd vermeld bij de GLM-5.2-vermelding in dit artikel. De licentie bevat een aanvullende beoordelingsvoorwaarde voor bepaalde zeer grote bedrijven die modellen als dienst aanbieden. Ook vereist het omvangrijke modelcheckpoint een infrastructuur van serverklasse. GLM-5.3 hoort op de shortlist voor zakelijk programmeren, maar is geen goede standaardkeuze voor lezers die het zonder gedoe op een laptop willen implementeren.

Bekijk de modelkaart van GLM-5.3

6. Kimi K3

Kimi K3 is de specialistische keuze voor organisaties die visueel begrip combineren met langdurig redeneren en toolgebruik. Het model van Moonshot heeft in totaal 2,8 biljoen parameters, waarvan er per token ongeveer 104 miljard actief zijn, beschikt over ingebouwde beeldverwerking en heeft een contextvenster van één miljoen tokens. Het is relevant wanneer een assistent binnen hetzelfde systeem moet werken met code, schermafbeeldingen, documenten en uitgebreide interactiegeschiedenissen.

De integratiedetails zijn bijzonder belangrijk. Kimi K3 houdt het redeneervermogen ingeschakeld en vereist dat volledige assistentberichten, inclusief redeneer- en toolaanroepinformatie, tussen beurten behouden blijven. Een toepassing die alleen het uiteindelijke antwoord opslaat, kan het beoogde gespreksformaat daardoor verkeerd verwerken. Controleer voordat je het met een ander model vergelijkt of de serveerlaag en het agentframework de vereiste gespreksgeschiedenis correct behouden.

De eigen licentie en het zeer omvangrijke modelcheckpoint maken dit evenzeer een infrastructuurbeslissing als een modelkeuze. Ingebouwde kwantisering maakt het model efficiënter om aan te bieden, maar verandert het niet in een doorsnee werkstationmodel. We raden Kimi K3 aan voor teams die de operationele kosten kunnen rechtvaardigen met veeleisende multimodale werkstromen; voor gewone tektsamenvattingen of kleine documentverzamelingen is deze schaal zelden nodig.

Bekijk de modelkaart van Kimi K3

7. Mistral Small 4

Mistral Small 4 combineert het volgen van algemene instructies, redeneren, programmeren en beeldbegrip in één model. Daardoor is het aantrekkelijk voor zakelijke toepassingen die verschillende mogelijkheden via één consistente interface nodig hebben, in plaats van voor elk verzoek afzonderlijke specialistische modellen te beheren. Deze positie is te danken aan de operationele veelzijdigheid, vooral voor teams die al vertrouwd zijn met het beheer van een omvangrijke inferentiedienst.

Ondanks de naam Small bevat het model in totaal 119 miljard parameters, waarvan er per token 6,5 miljard actief zijn. Het ondersteunt een contextvenster van 256K en instelbare redeneerkracht, zodat een dienst voor alledaagse vragen kortere antwoorden kan geven en voor moeilijke taken uitgebreider kan redeneren. De mixture-of-experts-architectuur beperkt de actieve berekeningen, maar de volledige set gewichten bepaalt nog steeds een groot deel van de opslag- en geheugencapaciteit die nodig is.

Het modelcheckpoint valt onder Apache 2.0. Officiële opties voor kwantisering en speculatief decoderen bieden mogelijkheden voor optimalisatie, al hangt het voordeel ervan af van de hardware en runtimeondersteuning. Test bij een ondersteuningsassistent die schermafbeeldingen leest en gestructureerde acties uitvoert tegelijk de beeldkwaliteit, naleving van het schema en reactietijd. Kies dit model wanneer het samenbrengen van verschillende mogelijkheden het beheer vereenvoudigt; ga er niet van uit dat de naam duidt op de omvang van een 8B-laptopmodel.

Bekijk de modelkaart van Mistral Small 4

8. Devstral Small 2

Devstral Small 2 is een gericht alternatief voor ontwikkelaars die vooral een model zoeken om repositories te verkennen, bestanden te bewerken en binnen een softwareontwikkelagent te werken. Met 24 miljard parameters is het model makkelijker te implementeren dan de grote codeermodellen hierboven. Het blijft nuttig als specialist, ook wanneer nieuwere modellen voor algemeen gebruik een plek verdienen in dezelfde evaluatie.

Mistral documenteert een contextvenster van 256K, beeldherkenning en integratie met de Vibe-codeeromgeving. De waarde van het model blijkt uit hoe goed het een volledige workflow voor bewerken en testen aankan, niet uit de vraag of het een indrukwekkend, op zichzelf staand codefragment kan produceren. Beoordeel het aan de hand van de structuur van je repository, programmeertalen, afhankelijkheidsbeperkingen en testsuite, en gebruik daarbij dezelfde tools en machtigingen als bij concurrerende modellen.

De release valt onder Apache 2.0. Mistral noemt implementatiemogelijkheden op consumentengpu’s en Macs met 32GB, maar de precisie, context en runtime-overhead bepalen wat er daadwerkelijk past. Begin met kortere sessies en een compatibele kwantisering voordat je enorme repositories in één prompt probeert te verwerken. Wij raden het aan voor een speciaal daarvoor ingerichte programmeerwerkplek; teams die brede onderzoeksmogelijkheden, spraak of algemene multimodale ondersteuning nodig hebben, moeten de beperktere focus ervan vergelijken met die van de hoger gerangschikte modellen voor algemeen gebruik.

Bekijk de modelkaart van Devstral Small 2

9. Nemotron 3 Nano

NVIDIA’s Nemotron 3 Nano is een interessante optie voor ontwikkelaars die de efficiëntie van tekstgebaseerde agents willen optimaliseren. Het combineert Mamba-componenten, attention en mixture-of-experts-lagen, met in totaal 30 miljard parameters en ongeveer 3,5 miljard actieve parameters per token. De reden om het te evalueren is de operationele geschiktheid van de architectuur, niet de aanname dat de naam Nano betekent dat het op elk apparaat kan draaien.

Het model ondersteunt via de chattemplate zowel redenerend als niet-redenerend gedrag. Zo kan een applicatie langere afwegingen reserveren voor moeilijke verzoeken en eenvoudigere verzoeken sneller beantwoorden. Door de hybride architectuur is ondersteuning door de runtime bovendien een essentieel selectiecriterium: controleer de exacte engine, het kwantiseringsformaat en de hardwarecombinatie, in plaats van aan te nemen dat elke standaardoptimalisatie voor transformers van toepassing is.

De release valt onder de NVIDIA Nemotron Open Model License. Het is een waardevolle kandidaat als specialist voor teams die een reproduceerbare inferentiebenchmark willen opzetten en bereid zijn hun implementatie af te stemmen. Vergelijk de tijd tot een correct antwoord, het geheugengebruik en het gedrag bij gelijktijdige verzoeken naast de uitvoerkwaliteit. Lezers die vooral een gebruiksklare visuele assistent zoeken, vinden eerder in deze ranglijst multimodale opties die beter bij dat doel passen.

Bekijk de modelkaart van Nemotron 3 Nano

10. Olmo 3.1

Ai2’s Olmo 3.1 verdient een plek omdat openheid meer inhoudt dan alleen een downloadknop. Het 32B Instruct-model maakt deel uit van een ecosysteem waarin trainingsdatasets, code, tussentijdse checkpoints en methodologie beschikbaar zijn. Voor onderzoekers die willen nagaan hoe trainingskeuzes het gedrag beïnvloeden, kunnen die middelen waardevoller zijn dan een hogere score van een model waarvan het ontwikkelproces grotendeels ontoegankelijk is.

De modelreeks omvat de varianten Instruct en Think, en de documentatie legt verbanden tussen de voortraining en de nabewerking. Daardoor zijn aanpassingskeuzes en verschillende fasen van modelontwikkeling makkelijker te onderzoeken. Begin met een op instructies afgestemd checkpoint voor een assistent; een basismodel dient een ander doel en moet niet worden beoordeeld alsof het al is geoptimaliseerd voor conversatiegebruik.

Olmo 3.1 valt onder Apache 2.0 en is hoofdzakelijk een Engelstalig tekstmodel. We rangschikken het als specialist in transparantie; dat betekent niet dat we beweren dat het vooroploopt op het gebied van de meest geavanceerde mogelijkheden. Onderzoeksgroepen, docenten en teams die modelaanpassing bestuderen, hebben goede redenen om ervoor te kiezen. Productiebedrijven die op zoek zijn naar ingebouwde beeldverwerking, maximale meertaligheid of de krachtigste kant-en-klare codeeragent, kunnen beter eerst de bovenstaande alternatieven evalueren.

Bekijk de modelkaart van Olmo 3.1

Hoeveel geheugen heb je nodig?

Begin met de werkelijke omvang van het checkpoint en de gedocumenteerde vereisten van de runtime. Een ruwe schatting op basis van alleen de gewichten bereken je door het aantal parameters te vermenigvuldigen met het aantal bits per gewicht en het resultaat door acht te delen. Een model van 30B met vier bits neemt ongeveer 15 GB in beslag, nog vóór de metadata voor kwantisering, niet-gekwantiseerde onderdelen, de contextcache, tijdelijke buffers en het besturingssysteem zijn meegerekend. Dit is een rekenkundige ondergrens, geen garantie dat het model op een machine met 16 GB past.

Gebruik bij mixture-of-expertsmodellen het totale aantal parameters om de opslagruimte voor de gewichten te schatten. Het aantal geactiveerde parameters helpt de berekeningen per token te verklaren; het betekent niet dat de overige experts verdwijnen. Offloading naar de CPU kan de vereiste GPU-geheugencapaciteit verlagen, maar kan de snelheid aanzienlijk verminderen. Het gedeelde geheugen op een Mac wordt ook door het systeem gebruikt en moet daarom niet worden beschouwd als volledig beschikbaar voor het model.

• Persoonlijke computers met beperkte capaciteit: Begin met een kleinere Gemma-variant of evalueer gpt-oss-20b met een ondersteunde configuratie. Houd extra ruimte vrij en begin met een beperkte contextlengte.
• Workstations met meer geheugen: Vergelijk de gekwantiseerde Qwen3.8-27B, geschikte Gemma-varianten en Devstral Small 2. Controleer de ondersteuning voor afbeeldingen afzonderlijk van tekstinferentie.
• Servers en clusters: Overweeg DeepSeek V4, GLM-5.3, Kimi K3 of grotere configuraties wanneer de waarde van de taak de kosten en operationele complexiteit van het aanbieden ervan rechtvaardigt.

De maximale contextlengte van een model is niet automatisch een aanbevolen instelling voor dagelijks gebruik. Langere invoer verhoogt de geheugen- en verwerkingsbehoefte, terwijl gelijktijdige gebruikers de benodigde middelen vermenigvuldigen. Raadpleeg onze gids over tools om LLM’s lokaal te draaien voor installatiekeuzes en het verschil tussen modellen, runtimes en interfaces.

Open source, open modelgewichten en private implementatie

Toegang tot de gewichten geeft je controle over waar inferentie plaatsvindt, maar biedt niet automatisch het volledige recept voor training en maakt niet elk gebruik toegestaan. Ook vermeldingen met Apache 2.0- en MIT-licenties moeten voor het exacte checkpoint worden gecontroleerd. GLM-5.3, Kimi K3 en Nemotron gebruiken hun eigen modellicenties. Olmo is vooral relevant wanneer toegang tot het ontwikkelingsproces net zo belangrijk is als toegang tot de uiteindelijke gewichten.

Zelfhosting kan ervoor zorgen dat prompts binnen je infrastructuur blijven, mits de volledige applicatie daarvoor is geconfigureerd. Cloudembeddings, zoekopdrachten op afstand, logdiensten en agenttools kunnen gegevens nog steeds elders naartoe sturen. Beoordeel de volledige workflow en meet naast de latentie ook onjuiste antwoorden en mislukte acties. Gebruik voor tools die bestanden wijzigen of met bedrijfssystemen communiceren beperkte machtigingen en een goedkeuringsstap wanneer de betreffende actie daar aanleiding toe geeft.

Welk open LLM kies je?

Begin voor een praktische eerste vergelijking met Qwen3.8-27B voor algemene multimodale toepassingen, Gemma 4 als je wilt kiezen uit lokale modelgroottes en gpt-oss voor toegankelijke tekstuele redeneervaardigheden. Deze modellen bieden een bruikbaar startpunt voordat je investeert in een centraal inferentiecluster.

Vergelijk voor veeleisende toepassingen op serverschaal DeepSeek V4 voor brede redeneer- en programmeervaardigheden, GLM-5.3 voor langdurig inzetbare softwareagents en Kimi K3 voor multimodale workflows. Mistral Small 4 is het overwegen waard wanneer één model meerdere zakelijke taken moet uitvoeren met configureerbare redeneervaardigheden.

De gespecialiseerde modellen voorzien in verschillende behoeften: Devstral Small 2 voor een workstation gericht op programmeren, Nemotron 3 Nano voor tekstagents die op efficiëntie zijn gericht en Olmo 3.1 voor transparant onderzoek en aanpassing. Kies twee of drie modellen die passen bij je hardware en licentievereisten en evalueer ze vervolgens aan de hand van dezelfde representatieve taken voordat je een implementatie selecteert.