5 Beste Åpne Kilde LLMs (august 2026)

Åpne kilde og åpne vekt store språkmodeller omfatter nå alt fra kompakte lokale assistenter til trillion-parameter systemer designet for langhorisontal programvarearbeid. Det sterkeste valget er ikke bare modellen med den største parameterantallet. Utviklingsmaskinvare, kontekstlengde, modalitet, verktøystøtte, lisensvilkår og mengden operativ kontroll et team trenger, kan være like viktig.

Denne listen fokuserer på fem nåværende modellfamilier som tilbyr usedvanlig sterke muligheter samtidig som de gir utviklere meningsfull tilgang til vekter. Noen bruker permissive programvarelisenser, mens andre bruker tilpassede modellvilkår, så organisasjoner bør gjennomgå den gjeldende lisensen før distribusjon. Oppstillingen skiller også totalt antall parametre fra aktive parametre fordi mixture-of-experts-arkitekturer kan være ekstremt store samtidig som de bare bruker en brøkdel av vektene for hvert token.

For de fleste team går den praktiske avgjørelsen ned til arbeidsbelastning. DeepSeek V4 og GLM-5.2 tar sikte på krevende resonnering og agensarbeid i meget stor skala. Kimi K3 kombinerer naturlig visjon med en usedvanlig lang kontekstvindu. Qwen3.6-35B-A3B tilbyr en mer distribuerbar multimodal mixture-of-experts-design, mens OpenAI sin gpt-oss-familie tilbyr to tekstfokuserte alternativer med transparent resonneringskontroll og bred verktøystøtte.

Beste Åpne Kilde LLMs Sammenlignet

1. DeepSeek V4

DeepSeek V4 er en stor mixture-of-experts-modellfamilie bygget for vanskelige kodnings-, resonnerings-, verktøys- og agensarbeidsoppgaver. V4-Pro-konfigurasjonen har 1,6 billioner totale parametre mens 49 milliarder aktiveres for hvert token, og den mer effektive V4-Flash-konfigurasjonen bruker 284 milliarder totale med 13 milliarder aktive. Begge er designet rundt et ett million token kontekstvindu, som gir utviklere rom til å arbeide over store repositorier, omfattende dokumentasjon og lange samhandlingshistorier.

Dens hybrid oppmerksomhetsarkitektur er ment å balansere langkontekstkapasitet med praktisk inferens, mens flere resonneringsmoduser lar team tilpasse atferd til forskjellige oppgaver. Den fleksibiliteten er nyttig for systemer som veksler mellom direkte svar, bevisst problemløsing, verktøysutførelse og utvidet programvarearbeid. DeepSeek legger også vekt på funksjonsanrop og agenspålitelighet, noe som gjør V4 spesielt relevant for assistenter som må planlegge, handle, inspisere resultater og revidere sin tilnærming.

Modellen er utgitt under MIT-lisensen, som gjør den attraktiv for organisasjoner som ønsker bred distribusjonsfrihet. Kompromisset er operativ skala: selv med sparse aktivering, er fullstendige sjekkpunkter betydelige og krever alvorlig infrastruktur, kvantisering eller en dyktig vertskapspartner. Team bør vurdere forsinkelse, minnekrav og verktøysatferd på sine egne arbeidsbelastninger før de behandler det store kontekstvinduet som en erstatning for henting og forsiktig kontekststyring.

Besøk DeepSeek V4

2. GLM-5.2

GLM-5.2 er Z.ai sitt flaggskip åpne vektmodell for langhorisontal profesjonell arbeid, kompleks resonnering, programvareutvikling og verktøysbrukende agenter. Modellen har 753 milliarder parametre og ett million token kontekstvindu, noe som posisjonerer den for store kodebasier, dypt dokumentanalyse og arbeidsflyter som må opprettholde en koherent målsetting over mange handlinger. Arkitekturen og treningen legger vekt på pålitelig utførelse fremfor bare isolerte benchmark-svar.

En merkbart styrke er justerbar tenkeinsats. Utviklere kan velge forskjellige resonneringsdybder avhengig av oppgavens vanskelighetsgrad og forsinkelsesprofil, noe som er nyttig når samme applikasjon håndterer både rutinemessige forespørsler og vanskelige planleggingsoppgaver. GLM-5.2 støtter også funksjonsanrop og agensarbeidsflyter, noe som lar den samhandle med utviklingsmiljøer, forskningsverktøy og strukturerte forretningsystemer samtidig som den opprettholder en utvidet arbeidskontekst.

Modellen er distribuert under MIT-lisensen. Likevel gjør parameterantallet at selvhosting blir en alvorlig infrastrukturavgjørelse, og produksjonsteam må regne med å håndtere serving-arkitektur, minne, overvåkbarhet og sikkerhetskontroller. GLM-5.2 gjør mest mening når dens langkontekstresonnering og vedvarende oppgaveutførelse er sentrale krav fremfor funksjoner som sjelden vil bli brukt.

Besøk GLM-5.2

3. Kimi K3

Kimi K3 er Moonshot AI sitt åpne vekt multimodale modell for utvidet kodning, forskning, resonnering og kunnskapsarbeid agenter. Utgitt i juli 2026, kombinerer den 2,8 billioner parametre med naturlig visuell forståelse og ett million token kontekstvindu. Den kombinasjonen lar en enkelt arbeidsflyt resonere over tekst, kode, skjermbilder, diagrammer, dokumenter og lange samhandlingshistorier uten å behandle visjon som en separat tillegg.

Modellen er spesielt relevant for langvarige agensoppgaver som involverer mange mellomliggende avgjørelser. Kimi sitt agensmiljø er designet for å koordinere verktøy og opprettholde arbeid over utvidede sesjoner, mens det store kontekstvinduet kan holde bredt prosjekttilstand og støttende materiale. Naturlig visjon gir den også en fordel i oppgaver som grensesnittinspeksjon, visuell dokumentanalyse og programvarearbeidsflyter som kombinerer kildekode med rendret utdata.

Kimi K3 bruker tilpassede modellvilkår i stedet for en standard permissive programvarelisens, så team bør undersøke lisensen mot deres distribusjons- og distribusjonskrav. Skaleringen betyr at de fleste organisasjoner vil avhenge av optimaliserte serving-staker eller vertskapsinfrastruktur. Modellen er overbevisende når multimodalitet og langhorisontal utførelse betyr sammen, men lettere arbeidsbelastninger kan ikke dra nytte av å rettferdiggjøre den operative overhodet.

Besøk Kimi K3

4. Qwen3.6-35B-A3B

Qwen3.6-35B-A3B er en effektiv multimodal mixture-of-experts-modell med 35 milliarder totale parametre og bare 3 milliarder aktive for hvert token. Den integrerer en visjon-encoder for bilde- og tekstforståelse samtidig som den forblir mye mer tilgjengelig for distribusjon enn trillion-parameter systemene over den. Modellen har et naturlig kontekstvindu på 262 144 token og støtter utvidelser til omtrent ett million token for arbeidsbelastninger som virkelig trenger den ekstra rekkevidden.

Qwen posisjonerer modellen for agenskodning, verktøysbruk, visuell resonnering og generelle assistentoppgaver. Tenke-tilstandsbevaring kan hjelpe flertrinns arbeidsflyter med å fortsette å resonere over samhandlinger, mens kompatibilitet med Qwen-Agent og Model Context Protocol-integreringer gjør det enklere å koble modellen til eksterne verktøy og data. Den relativt lave aktive parameterantallet er spesielt attraktivt for team som ønsker kapable multimodale egenskaper uten å binde seg til infrastrukturprofilen til et flaggskip-modell.

Modellen er utgitt under Apache 2.0-lisensen, som støtter bred eksperimentell og distribusjon. Som med alle mixture-of-experts-modeller, avhenger den reelle ytelsen av serving-staken og oppgaven, og å utvide konteksten langt utenfor det naturlige vinduet kan øke minnebruk og redusere fokus. Team bør benchmark både basis- og utvidet kontekstkonfigurasjoner i stedet for å anta at maksimumsvinduet er det beste standardvalget.

Besøk Qwen3.6-35B-A3B

5. gpt-oss

OpenAI sin gpt-oss-familie består av to tekst-baserte resonneringsmodeller designet for lokal, privat og tilpassbar distribusjon. Den større gpt-oss-120b har 117 milliarder totale parametre med 5,1 milliarder aktive for hvert token og er designet for å kjøre innen 80 GB minne. Den mindre gpt-oss-20b har 21 milliarder totale parametre med 3,6 milliarder aktive og kan operere innen 16 GB, noe som gjør den tilgjengelig for en mye bredere rekke av arbeidsstasjoner og kant-orienterte systemer.

Begge variantene tilbyr et 128 000 token kontekstvindu, konfigurerbar resonneringsinnsats, naturlig verktøysbruk og strukturerte utdata. De er spesielt nyttige for utviklere som ønsker transparent kontroll over inferens-staken, privat datahåndtering eller en tilpassbar resonneringskomponent innen en større applikasjon. Modellene er ikke de samme systemene som brukes i ChatGPT eller som tilbys gjennom OpenAI API-et; de er nedlastbare vekter ment for uavhengig distribusjon.

Utgitt under Apache 2.0, tilbyr gpt-oss enkel lisensvilkår for forskning og kommersiell utvikling. Den tekst-baserte designen er en begrensning for applikasjoner som krever naturlig bilde- eller lydforståelse, og team forblir ansvarlige for serving, oppdateringer, sikkerhetslag og overvåking. Mellom de to variantene er 20b-modellen det praktiske utgangspunktet for begrensede maskiner, mens 120b er bedre egnet for arbeidsbelastninger som drar nytte av sterkere resonnering og kan støtte en større minnehøyde.

Besøk gpt-oss

Velg Riktig Åpen Kilde LLM

DeepSeek V4 er det sterkeste valget her for team som prioriterer svært stor skala kodning og fleksible resonneringsmoduser, mens GLM-5.2 legger vekt på vedvarende profesjonell og programvarearbeidsflyter. Kimi K3 skiller seg ut når naturlig visjon og langhorisontal agensarbeid må samarbeide over ett million token kontekstvindu.

For en mer effektiv multimodal distribusjon, Qwen3.6-35B-A3B kombinerer lav aktive parameterantall med visjon, verktøy og stor naturlig kontekst. gpt-oss er den mest tilgjengelige familien i denne gruppen for kontrollerbar tekstresonnering på selvstyrt maskinvare. Før du binder deg, test hver kandidat på representative forespørsler, verifiser lisensen for den avsedte bruken og vurder forsinkelse, minne, utdatakvalitet, verktøyspålitelighet og operative sikkerhetskontroller som et fullstendig system.