Det beste
5 Beste Åpne Kilde LLMs (juni 2026)
Åpen kilde AI har nådd opp til lukkede systemer. Disse fem store språkmodeller (LLMs) leverer bedriftskvalitet uten gjentakende API-kostnader eller leverandøravhengighet. Hver håndterer forskjellige bruksscenarier, fra enhetsbasert resonnering til flerspråklig støtte i stor skala.
Denne guiden bryter ned GPT-OSS-120B, DeepSeek-R1, Qwen3-235B, LLaMA 4 og Mixtral-8x22B med spesifikke detaljer om evner, kostnader og krav til distribusjon.
Rask Sammenligning
| Verktøy | Best For | Startpris | NøkkelEGENSkAP |
|---|---|---|---|
| GPT-OSS-120B | Enkelt-GPU-distribusjon | Gratis (Apache 2.0) | Kjører på 80GB GPU med 120B parametre |
| DeepSeek-R1 | Komplekse resoneringoppgaver | Gratis (MIT) | 671B parametre med transparent tenkning |
| Qwen3-235B | Flerspråklig programmering | Gratis (Apache 2.0) | Støtter 119+ språk med hybrid tenkning |
| LLaMA 4 | Multimodal prosessering | Gratis (tilpasset lisens) | 10M token kontekstvindu |
| Mixtral-8x22B | Kosteffektiv produksjon | Gratis (Apache 2.0) | 75% beregningsbesparelse vs. tetthetsmodeller |
1. GPT-OSS-120B
OpenAI lanserte sine første åpne vektmodeller siden GPT-2 i august 2025. GPT-OSS-120B bruker en mixture-of-experts-arkitektur med 117 milliarder totale parametre, men bare 5,1 milliarder aktive per token. Denne sparsomme designen betyr at du kan kjøre det på en enkelt 80GB GPU i stedet for å kreve multi-GPU-kluster.
Modellen matcher o4-mini-ytelse på core-benchmark. Den når 90% nøyaktighet på MMLU-tester og rundt 80% på GPQA-resoneringoppgaver. Kodegenerering sitter på 62% pass@1, konkurrerende med lukkede kildealternativer. 128 000-token kontekstvinduet håndterer omfattende dokumentanalyse uten chunking.
OpenAI trente disse modellene ved hjelp av teknikker fra o3 og andre frontsystemer. Fokus var praktisk distribusjon over rå skala. De åpnet o200k_harmony-tokenizer sammen med modellene, standardiserte hvordan innmatninger prosesseres over implementeringer.
For- og Ulemper
- Enkelt 80GB GPU-distribusjon eliminerer multi-GPU-infrastrukturkostnader
- Native 128K kontekstvindu prosesserer hele kodebasen eller lange dokumenter
- Apache 2.0-lisens tillater ubegrenset kommersiell bruk og modifisering
- Referanseimplementeringer i PyTorch, Triton og Metal forenkler integrering
- 90% MMLU-nøyaktighet matcher proprietære modeller på resoneringssammenligninger
- Engelsk-fokusert trening begrenser flerspråklig evne sammenlignet med alternativer
- 5,1 milliarder aktive parametre kan underprestere tetthetsmodeller på spesialiserte oppgaver
- Krever 80GB VRAM-minimum ekskluderer forbrukergrads GPU-distribusjon
- Ingen destillerte varianter tilgjengelig ennå for ressursbegrensede miljøer
- Begrenset domenespesialisering sammenlignet med finjusterte alternativer
Pris: GPT-OSS-120B opererer under Apache 2.0-lisens med null gjentakende kostnader. Du trenger maskinvare som kan kjøre 80GB-modeller (NVIDIA A100 eller H100 GPUer). Sky-distribusjon på AWS, Azure eller GCP koster omtrent 3-5 dollar per time for passende instansetyper. Selvvert distribusjon krever en engangs GPU-kjøp (~10 000-15 000 dollar for brukte A100).
Ingen abonnementsgebyr. Ingen API-begrensninger. Ingen leverandøravhengighet.
2. DeepSeek-R1
DeepSeek-R1 bygget sin modell spesifikt for transparent resonering. Arkitekturen bruker 671 milliarder totale parametre med 37 milliarder aktive per fremover-pass. Trening betonet forsterkingslæring uten tradisjonell overvåket finjustering først, lot resoneringmønstre oppstå naturlig fra RL-prosessen.
Modellen oppnår 97% nøyaktighet på MATH-500-evalueringer og matcher OpenAI sin o1 på komplekse resoneringoppgaver. Hva skiller DeepSeek-R1 er at du kan observere dens tenkingsprosess. Modellen viser steg-for-steg logikk i stedet for bare sluttsvar. Denne transparensen betyr noe for applikasjoner hvor du trenger å verifisere resonering, som finansiell analyse eller ingeniørverifisering.
DeepSeek lanserte seks destillerte versjoner sammen med hovedmodellen. Disse varierer fra 1,5 milliarder til 70 milliarder parametre, og kjører på maskinvare fra høykvalitets forbruker-GPUer til kantedevicer. Qwen-32B-destillering overgår o1-mini på sammenligninger mens den krever en brøkdel av beregningskraften.
For- og Ulemper
- 97% MATH-500-nøyaktighet leder åpne kilde-modeller på matematisk resonering
- Transparent tenkingsprosess muliggjør verifisering og feilsøking
- 671B skala gir dypt analytiske evner
- Seks destillerte varianter muliggjør distribusjon over maskinkonfigurasjoner
- MIT-lisens tillater ubegrenset kommersiell bruk
- 671B parametre krever betydelig infrastruktur for full modell-distribusjon
- Resoneringmodus øker latent tid sammenlignet med direkte svarsgenerering
- Engelsk-optimert trening begrenser ytelse på andre språk
- Forsterkingslæringstilnærming kan produsere verbose forklaringer
- Samfunnsverktøy er ennå ikke fullt utviklet sammenlignet med mer etablerte modeller
Pris: DeepSeek-R1 utgis under MIT-lisens uten avgifter. Full 671B-modell krever 8x A100-GPUer (skykostnad: ~25-30 dollar per time). Destillerte modeller kjører betydelig billigere: 32B-varianten krever enkelt A100 (~3-5 dollar per time sky, ~10 000 dollar maskinvarekjøp). 7B-varianten kjører på forbruker-RTX 4090-GPUer.
DeepSeek tilbyr gratis API-tilgang med ratelimit for testing. Produksjonsdistribusjon krever selvvert eller sky-infrastruktur.
3. Qwen3-235B
Alibabas Qwen3-235B bringer hybrid tenkning til åpne kilde-modeller. Brukere kan kontrollere resoneringinsatsnivå (lav, medium, høy) basert på oppgavens kompleksitet. Trenger du rask kundeservice-svar? Lav tenkingsmodus leverer raskt svar. Kjører du kompleks dataanalyse? Høy tenkingsmodus anvender metodelig resonering.
Arkitekturen bruker 235 milliarder totale parametre med 22 milliarder aktive over 94 lag. Hver lag inneholder 128 eksperter med 8 aktive per token. Denne ekspertutvalget muliggjør effektiv prosessering samtidig som evnen opprettholdes. Modellen ble trent på over 1 milliard token over 119 språk, representerte 10 ganger mer flerspråklig data enn tidligere Qwen-versjoner.
Ytelse ligger på 87-88% MMLU-nøyaktighet med sterke flerspråklig sammenligninger. Modellen utmerker seg på C-Eval og regionsspesifikke vurderinger over Asia, Europa og andre markeder. Kodegenerering når 37% nullskudd, men forbedrer seg betydelig når tenkingsmodus aktiveres for komplekse programmeringsoppgaver.
For- og Ulemper
- 119+ språkstøtte muliggjør global distribusjon uten språkbarrierer
- Hybrid tenkingskontroll optimaliserer kost-ytelse-avveining per forespørsel
- 128K token kontekstvindu håndterer omfattende dokumentanalyse
- Apache 2.0-lisens tillater kommersiell modifisering
- 87% MMLU-ytelse konkurrerer med ledende proprietære systemer
- 235B parametre krever multi-GPU-oppsetting for produksjonsdistribusjon
- 37% kodegenereringsgrunnlinje undergår spesialiserte kode-modeller
- Tenkingsmodusvalg legger til kompleksitet i applikasjonslogikken
- Kinesisk språk-bias viser sterkere ytelse på kinesisk enn andre språk
- Begrenset samfunnsverktøy sammenlignet med LLaMA-økosystemet
Pris: Qwen3-235B utgis under Apache 2.0-lisens uten gebyr. Full modell krever 4-8 A100-GPUer (skykostnad: ~15-30 dollar per time). Alibaba Cloud tilbyr managed endepunkter med betaling per token-pris, starting på 0,002 dollar per 1 000 token for tenkingsmodus, 0,0003 dollar per 1 000 for standardmodus.
Små Qwen3-variante kjører på forbruker-hardware. 7B-modellen fungerer på 24GB forbruker-GPUer.
4. LLaMA 4
Metas LLaMA 4 introduserer native multimodale evner over tekst, bilder og kort video. Scout-varianten pakker 109 milliarder totale parametre med 17 milliarder aktive, mens Maverick bruker en større ekspertgruppe for spesialiserte oppgaver. Begge prosesserer flere innholdstyper gjennom tidlige fusjonsteknikker som integrerer modaliteter i enhetlige representasjoner.
Konteksthåndtering nådde nye nivåer. LLaMA 4 Scout støtter opp til 10 millioner token for omfattende dokumentanalyse-applikasjoner. Standard kontekst ligger på 128K token, allerede betydelig for de fleste bruksscenarier. Modellene ble forhåndstrent på over 30 billioner token, dobbelt LLaMA 3-treningssammensetning.
Ytelse sammenligninger viser LLaMA 4 overgår GPT-4o og Gemini 2.0 Flash på kode-, resonering- og flerspråklige sammenligninger. Meta utviklet MetaP, en teknikk for pålitelig å sette hyperparametere over modellskalaer. Dette muliggjør konsistent ytelse når overførte parametre overføres til forskjellige konfigurasjoner.
For- og Ulemper
- 10M token kontekstvindu muliggjør prosessering av hele kodebasen eller datasett
- Native multimodal prosessering håndterer tekst-, bilde- og video-innhold
- 30T token trening gir omfattende kunnskapsdekning
- Flere størrelsesvarianter fra kant til datasenter-skala
- Overgår GPT-4o på kode- og resoneringssammenligninger
- Tilpasset kommersiell lisens krever gjennomgang for stor-skala-distribusjon
- Multimodal fusjon legger til kompleksitet i distribusjons-pipelines
- 10M kontekst krever betydelig minne selv med optimalisering
- Modell-størrelsesvarianter skaper forvirring om hvilken variant å bruke
- Dokumentasjon er ennå ikke fullt utviklet for nyeste funksjoner
Pris: LLaMA 4 utgis under Metas tilpassede kommersielle lisens (gratis for de fleste bruk, begrensninger for tjenester med 700M+ brukere). Scout-varianten krever 2-4 H100-GPUer (skykostnad: ~10-20 dollar per time). Maverick krever 4-8 H100-GPUer (~20-40 dollar per time). Meta tilbyr gratis API-tilgang gjennom sin plattform med ratelimit.
Små LLaMA-variante kjører på forbruker-hardware. 8B-modellen fungerer på 16GB-GPUer. Bedrifts-distribusjon kan forhandle direkte lisens med Meta.
5. Mixtral-8x22B
Mistral AI sin Mixtral-8x22B oppnår 75% beregningsbesparelse sammenlignet med likeverdige tetthetsmodeller. Mixture-of-experts-designet inneholder åtte 22-milliarder-parameter-eksperter, totalt 141 milliarder parametre, men bare 39 milliarder aktiveres under inferens. Denne sparsomme aktiveringen leverer overlegen ytelse samtidig som den kjører raskere enn tetthetsmodeller på 70B.
Modellen støtter native funksjonskall for sofistikert applikasjonsutvikling. Du kan koble naturlige språk-grensesnitt direkte til API-er og programvare-systemer uten tilpassede integrasjonslag. 64 000-token kontekstvinduet håndterer utvidede samtaler og omfattende dokumentanalyse.
Flerspråklig ytelse utmerker seg over engelsk, fransk, italiensk, tysk og spansk. Mistral trente spesifikt på europeiske språk, resulterende i sterkere ytelse enn modeller med bredere, men grunnere språkdekning. Matematisk resonering når 90,8% på GSM8K og kodegenerering oppnår sterke resultater på HumanEval og MBPP-sammenligninger.
For- og Ulemper
- 75% beregningsreduksjon sammenlignet med tetthetsmodeller senker infrastrukturkostnader
- Native funksjonskall forenkler API-integrasjon
- Sterk europeisk språkstøtte for flerspråklig programmering
- 90,8% GSM8K-nøyaktighet leverer solid matematisk resonering
- Apache 2.0-lisens tillater ubegrenset kommersiell bruk
- 64K kontekstvindu er kortere enn konkurrenter som tilbyr 128K+ vinduer
- Europeisk språk-fokus betyr svakere ytelse på asiatiske språk
- 39B aktive parametre kan begrense evne på komplekse resoneringoppgaver
- Ekspert-rutingslogikk legger til kompleksitet i distribusjons-pipelines
- Mindre samfunn sammenlignet med LLaMA-økosystemet
Pris: Mixtral-8x22B utgis under Apache 2.0-lisens uten gebyr. Krever 2-4 A100-GPUer for produksjon (skykostnad: ~10-15 dollar per time). Mistral tilbyr managed API-tilgang på 2 dollar per million token for innmatning, 6 dollar per million for utmatning. Selvvert eliminere per-token-kostnader etter initialt maskinvare-investering.
Kvantifiserte versjoner kjører på enkelt A100 med akseptabel ytelsesnedgang. Modellens effektivitet gjør den kostnadseffektiv for høyvolums produksjonsarbeid.
Hvilken Modell Bør Du Velge?
Din maskinvare dikterer umiddelbare valg. GPT-OSS-120B passer enkelt 80GB-GPU, gjør det tilgjengelig hvis du allerede kjører A100-infrastruktur. DeepSeek-R1 sin destillerte variant håndterer ressursbegrensninger—7B-modellen kjører på forbruker-hardware mens den opprettholder sterk resonering.
Flerspråklig krav peker mot Qwen3-235B for bred språkstøtte eller Mixtral-8x22B for europeiske språk spesifikt. LLaMA 4 er relevant når du trenger multimodale evner eller utvidede kontekstvinduer utenfor 128K token.
Kost-bevisste distribusjoner favoriserer Mixtral-8x22B for produksjonsarbeid. 75% beregningsbesparelse kompenserer raskt i skala. Forskning og utvikling kan dra nytte av DeepSeek-R1 sin transparente resonering, spesielt når du må verifisere beslutningslogikk.
Alle fem modellene opererer under permissive lisenser. Ingen gjentakende API-kostnader. Ingen leverandøravhengighet. Du kontrollerer distribusjon, data-privatitet og modell-modifisering. Åpne kilde AI-landskapet har nådd likevekt med lukkede systemer. Disse verktøyene leverer bedriftsevner uten bedriftsrestriksjoner.
FAQ
Hva Slags Maskinvare Trenger Jeg For Å Kjøre Disse Åpne Kilde LLMs?
Minimumskrav varierer etter modell. GPT-OSS-120B krever enkelt 80GB-GPU (A100 eller H100). DeepSeek-R1 sin fullversjon krever 8x A100-GPUer, men destillerte varianter kjører på forbruker-RTX 4090-GPUer. Qwen3-235B og LLaMA 4 krever 2-8 GPUer avhengig av kvantisering. Mixtral-8x22B kjører effektivt på 2-4 A100-GPUer. Sky-distribusjon koster 3-40 dollar per time basert på modellstørrelse.
Kan Disse Modellene Møte GPT-4 eller Claude Ytelse?
Ja, på bestemte sammenligninger. DeepSeek-R1 matcher OpenAI sin o1 på resoneringoppgaver med 97% MATH-500-nøyaktighet. LLaMA 4 overgår GPT-4o på kode-sammenligninger. GPT-OSS-120B oppnår 90% MMLU-nøyaktighet, sammenlignbar med proprietære systemer. Likevel kan lukkede kilde-modeller utmerke seg i spesialiserte områder som kreativ skriving eller nuansert samtale.
Hvilken Modell Håndterer Flere Språk Best?
Qwen3-235B støtter 119+ språk med 10 ganger mer flerspråklig trening enn konkurrenter. Den utmerker seg på asiatiske språk-sammenligninger og kulturell kunnskaps-tester. Mixtral-8x22B leder for europeiske språk (fransk, tysk, spansk, italiensk) med spesialisert trening. Andre modeller tilbyr varierende flerspråklig støtte, men optimaliserer primært for engelsk.
Er Det Brukskostnader Utenfor Maskinvare?
Nei, ingen gjentakende gebyr for selvverte distribusjoner under Apache 2.0 eller MIT-lisens. LLaMA 4 bruker en tilpasset kommersiell lisens som er gratis for de fleste bruk (begrensninger gjelder for tjenester med 700M+ brukere). Sky-distribusjon koster varierer etter provider og instanstype. Managed API-tilgang fra providere som Mistral starter på 2 dollar per million innmatningstoken.
Hva Er Forskjellen Mellom Mixture-of-Experts og Tetthetsmodeller?
Mixture-of-experts-arkitekturer aktiverer bare en delmengde av parametre per innmatning, oppnår effektivitet uten å ofre evne. GPT-OSS-120B bruker 5,1 milliarder av 117 milliarder parametre per token. Tetthetsmodeller aktiverer alle parametre for hver innmatning. MoE-modeller leverer 70-75% beregningsbesparelse samtidig som de møter eller overgår tetthetsmodell-ytelse på lignende skalaer.
