2026 开源大模型怎么选：8 款开放权重模型性能、成本与许可对比

2026 年能真正投入使用的最佳开源大模型，已经不再来自美国，也不再只是闭源模型的备选。GLM-5.2 在 SWE-bench Pro 上的得分高于 GPT-5.5，采用 MIT 许可证，每月固定费用仅 $18。过去只能租用的前沿能力，如今已经可以直接下载。

先说结论：开源大模型该怎么选

如果只选一款开放模型来处理严肃的智能体与编程任务，首选 GLM-5.2。需要以最低成本承载大规模任务，选 DeepSeek V4 Flash。要在自有硬件上用单张 GPU 完成本地部署，选 gpt-oss-120b。如果法务团队最看重许可证是否清晰宽松，采用 Apache 2.0 的 Qwen3 或 Mistral 是稳妥的默认选择。

所谓开放权重模型，是指可以下载训练后的参数并自行运行，而不是只能通过 API 租用。仅这一点，就足以改变企业使用 AI 的成本结构：模型从一个持续计费的外部服务，变成了可以自行掌控的成本项。下面按实际交付能力对当前主流模型进行排名。

关于表中的价格需要说明：模型权重本身可以免费下载，因此按 token 计费的数字，取决于提供托管服务的平台。这里列出的是各厂商本周公布的官方 API 价格。选择自托管后，按量计费会变成 GPU 成本。

为什么开放权重不再意味着妥协

过去两年，“开放模型”往往意味着“买不起真正强大的模型时，勉强够用的替代品”。如今，这个判断已经失效，一组基准成绩就能说明问题。在衡量模型能否解决真实软件工程工单的 SWE-bench Pro 上，GLM-5.2 得分 62.1，GPT-5.5 为 58.6，Gemini 3.1 Pro 为 54.2。只有 Claude Opus 4.8 以 69.2 明显领先。一款来自 Tsinghua 系创业公司的 MIT 许可开放模型，已经在对工程工作最有参考价值的基准上，超过西方三家前沿实验室中的两家。

真正决定模型能否用于业务、却很少被横向评测讲清楚的是：“开放权重”和“开源”并不是同一种承诺。 开放权重只代表参数可以下载；对企业而言，开源还意味着许可证允许部署、修改并销售基于模型构建的产品，无需另行获得许可。DeepSeek、GLM 和 Qwen 采用 MIT 或 Apache 2.0，条款确实宽松，包括商业用途也可以自由使用。Llama 和 MiniMax 则采用附带限制的“社区许可证”。这绝非文字游戏，而是产品上线三个月后，是否会收到法务警告函的现实差别。

GLM-5.2：当前最强开源大模型标杆

来自中国实验室 Z.ai（原 Zhipu）的 GLM-5.2，是目前全球长周期工程任务能力最强的开放权重模型，也是最值得优先尝试的一款。它于 2026 年 6 月中旬发布，上下文窗口从上一版本的 200K 提升到真正可用的 1M，并非只是能够接收更多 token，而是能在整个窗口内保持质量。上下文窗口可以理解为模型一次能够放进工作记忆的文本量；1M 意味着它在工作时可以同时掌握一个中型代码库、配套测试和项目规范。

在测试模型能否操作真实终端完成任务的 Terminal-Bench 2.1 上，GLM-5.2 得分 81.0，与 Claude Opus 4.8 的 85.0 只差数分，并领先 Gemini 3.1 Pro 的 74.0。根据 Z.ai 公布的数据，它在该团队测试的所有长周期基准中，都是排名最高的开源模型。MIT 许可证意味着，一家 12 人的创业公司可以自行托管、使用自有代码微调，并嵌入付费产品，无需申请许可或支付版税。

代价在于硬件门槛。这款模型约有 745B 参数，要高质量自托管，需要配置强劲的多 GPU 服务器。多数团队不会自行运行，而会使用 API：公开价格约为每百万输入 token $1.40、每百万输出 token $4.40，或者选择每月约 $18 的固定 GLM Coding Plan。对于此前一直承担前沿模型 API 费用的创业者，这个套餐才是重点：用大约两杯咖啡的钱，就能获得一个月的前沿级编程能力；日后若数据管控成为刚需，还能把权重迁回内部。

DeepSeek V4：其他模型难以触及的成本下限

DeepSeek V4 以近乎可以忽略的价格提供接近前沿模型的质量，让任何成本核算都无法绕开它。这一系列由中国实验室 DeepSeek 于 2026 年 4 月发布，包含两个版本，均采用 MIT 许可证，并提供 1M-token 上下文。V4-Pro 是拥有 1.6T 参数的混合专家模型；V4-Flash 则更轻量，参数量为 284B。混合专家模型处理每个 token 时只激活一小部分参数，因此如此庞大的模型仍能以低成本提供服务。

价格本身就是最大卖点。通过 DeepSeek 官方 API 使用 V4-Flash，每百万输入 token 只需 $0.14，输出为 $0.28。即便是重量级的 V4-Pro，输入和输出也分别只有 $0.435 与 $0.87。这个差距有多大？同样一项日常任务，在闭源前沿模型上每月可能花费数百美元，换成 V4-Flash 后往往只要几十美元，而多数用户无法分辨输出质量差异。两个版本都支持处理复杂推理的思考模式，也支持智能体任务所需的工具调用。

它的能力边界同样明确：DeepSeek 很擅长推理、数学与代码，但对于要求最高的多模态任务，或运行时间最长的智能体编程流程，我不会优先选它；这两类场景中，GLM-5.2 和 Kimi 更胜一筹。V4-Flash 更适合用作高吞吐任务的默认模型，包括分类、抽取、摘要和初稿撰写；再把真正需要更强能力的 5% 任务交给更昂贵的模型。

Kimi K2.7 Code：专为编程智能体打造

Moonshot AI 推出的 Kimi K2.7 Code，是专门为连续运行数小时的编程智能体设计的开放模型，于 2026 年 6 月发布。它是一款拥有 1T 参数的混合专家模型，原生支持多模态输入，可以同时读取文本、图像和视频，上下文窗口为 256K token。GLM-5.2 是一位恰好非常擅长代码的通才，而 Kimi 则专门针对现代编程工具所依赖的长流程、多步骤智能体循环做了优化。

根据 Moonshot 公布的数据，上一代 K2.6 在 SWE-bench Verified 上达到 80.2%，与闭源前沿模型处于同一水平区间。K2.7 Code 官方 API 每百万输入 token 收费 $0.95，输出收费 $4.00；如果提示词命中缓存，输入价格会大幅降至 $0.19。对于每一步都要重复发送同一大段上下文的智能体，这一点非常重要。它采用修改版 MIT 许可证，因此商业自托管也在可选范围内。

取舍在于专注度。Kimi 在编程和智能体执行方面很强，但在通用写作或分析上不算全面。如果产品本身就是编程智能体或内部开发工具，它是首选之一；如果只想用一款模型覆盖所有工作，GLM-5.2 或 DeepSeek 更均衡。要了解这些模型如何接入真正驱动它们的工具，可继续阅读最佳 AI 编程智能体。

Qwen3：许可证最宽松的主力开放模型

Alibaba 的 Qwen3 适合那些更看重许可证清晰度与语言覆盖，而不是执着于单项基准第一的团队。其开放旗舰 Qwen3-235B-A22B 是一款 235B 参数的混合专家模型，激活参数为 22B，上下文窗口为 256K token，并支持 119 种语言。更关键的是，它采用 Apache 2.0——本榜单中最宽松的许可证，因此任何会对定制条款保持警惕的企业法务团队，都可以把它作为默认选择。

同一款模型可以在处理复杂推理的思考模式和用于日常对话的快速非思考模式之间切换，不必为不需要的推理过程付费。权重可以免费下载，也可以通过 Alibaba Cloud 或任何提供该模型的托管平台运行。

这里有一个容易被营销话术模糊的区别：Alibaba 最新的旗舰 Qwen3.7-Max 是闭源模型，只能通过 API 使用。真正开放的是已经发布的中型模型与 235B 权重，而不是 Max 系列。对负责采购的非技术读者来说，判断规则很简单：如果希望真正拥有模型，就选择名称明确的开放 Qwen 权重，而不是 Max。开放的 235B 在最难的编程基准上略逊于 GLM-5.2 和 DeepSeek V4，但宽松许可证与多语言覆盖，让它成为全球化产品最稳妥的自主可控默认方案。

MiniMax M3：把多模态带入开放模型前沿

如果工作需要同时处理文本、图像和视频，并依赖超长上下文，MiniMax M3 是最值得关注的开放模型。它也是这批模型中最新的一款，于 2026 年 6 月 1 日发布。这是一款 428B 参数的混合专家模型，激活参数为 23B，拥有 1M-token 上下文并原生支持多模态输入。为降低长上下文推理成本，它采用了实验室称为 MiniMax Sparse Attention 的注意力设计。

价格也颇具进攻性：在长期 50% 折扣下，MiniMax 官方 API 对 M3 的报价为每百万输入 token $0.30、输出 $1.20。它在 GPQA Diamond 等基准上的得分达到 93.0，跻身开放与闭源模型中的最强推理梯队。

但许可证需要特别留意。M3 的权重可以下载，然而若要将模型或其衍生版本用于商业用途，还需在默认 MiniMax Community License 之外另行签署协议。简单来说：它非常适合实验，但在基于它开展业务前，必须拿到书面的商业条款。正是这一条，使它在面向产品落地的排名中低于采用 MIT 和 Apache 许可证的模型。

gpt-oss：一张自有 GPU 就能运行

OpenAI 的开放权重模型家族 gpt-oss，适合那些必须在自有硬件上运行、又没有 GPU 集群的团队。较大的 gpt-oss-120b 拥有 117B 参数，但激活参数只有 5.1B，经过专门设计，可在 NVIDIA H100 这类单张 80GB GPU 上运行。较小的 gpt-oss-20b 只需 16GB 内存，一台配置不错的工作站即可承载。两款模型都采用 Apache 2.0。

这是一款务实的本地部署大模型。对于无法把数据发送给任何外部 API 的受监管企业、医院、银行或国防承包商来说，“一张 H100 就能容纳”足以决定选型。它支持调节推理强度，可以在快速低成本与缓慢审慎之间切换；同时开放完整思维链，便于调试。原生函数调用、网页浏览和 Python 执行，也让它具备真正的智能体能力。

客观地说，gpt-oss 并不像 GLM-5.2 或 DeepSeek V4 那样追逐基准榜首，而且是本组中发布较早的模型。选择它是因为部署方案足够清晰：在干净的许可证下，一款有能力、又能装进现有硬件的模型；而不是因为它是所有选项中最聪明的那一个。

Mistral：欧洲开放模型之选

如果客户在意欧洲数据驻留，也更熟悉西方供应商，那么法国实验室 Mistral 是更合适的开放模型选择。其开放产品线包括 Mistral Small 4——一款将指令遵循、推理和编程统一在高效架构中的混合模型；还包括前沿级多模态模型 Mistral Medium 3.5，以及面向代码智能体工作的 Devstral 2。

对于向欧洲客户销售产品的欧洲企业，无论权重本身表现如何，与总部位于巴黎的供应商合作，通常都比选择北京厂商更容易推进采购。Mistral 的模型比中国大型 MoE 更小、更轻；追求效率时这是优势，需要冲击编程榜单绝对顶端时则是限制。它的定位是熟悉、合规，而不是基准领先。

Llama 4：优势在生态，而非前沿能力

Meta 的 Llama 4 已经不是冲击基准第一的首选，却仍拥有最成熟的工具链和最广泛的社区。当前一代于 2025 年发布，包括 Scout 和 Maverick，两者都是原生多模态混合专家模型，激活参数均为 17B；Maverick 由 128 个专家组成，总参数量达到 400B。最大模型 Behemoth 仍未发布。

2026 年 Llama 真正的资产是生态引力：它拥有比任何其他开放模型更多的微调版本、量化版本、部署指南，以及招聘市场认知度。如果团队已经在运行 Llama，而且现有任务完成得很好，并不急于迁移。但许可证必须说清楚：Llama 采用 Meta 社区许可证，而不是 Apache 或 MIT，其中包含真正开源许可证所没有的商业限制。对于许可证尚未锁定的新项目，更新的中国 MIT 与 Apache 模型不仅能力更强，条款也更干净。

不同需求分别该选哪一款

正确答案取决于最重要的约束，而不是强行找出唯一赢家。按实际情况对照下表即可。

开源大模型的真实成本怎么算

这类模型对企业真正重要的原因，最终还是账单。抛开宣传，开放模型有三种付费方式，分别适合不同规模。

1. 1

   租用 API（投入最小）

   通过厂商 API 调用模型，按 token 付费。以 DeepSeek V4-Flash 的价格计算，输出百万 token 只需 28 美分。一个繁忙产品的团队每月处理数亿 token，属于真实且常见的工作负载，费用也只是几十美元，而非数千美元。几乎所有团队都应该从这里开始。

2. 2

   购买固定套餐（支出可预测）

   对于高强度编程，GLM Coding Plan 这类每月约 $18 的订阅可以彻底消除对 token 用量的焦虑。只付固定费用，不再逐个计算 token。这是小型工程团队全天使用 AI 编程时最平衡的方案。

3. 3

   自托管权重（投入最大，边际成本最低）

   下载采用 MIT 或 Apache 许可证的权重，在自己的 GPU 上运行。成本会从按 token 计费，转为固定 GPU 账单加工程投入。只有任务量大且稳定，或数据控制不容妥协时，这种方式才划算。单张 H100 运行 gpt-oss-120b 是现实的起点；万亿参数 MoE 则需要集群。

一种广为流传的说法是：每月在闭源模型上花费 $10,000 的团队，改用开放模型后可能只需 $1,000 到 $2,000。对照上面的价格，这个判断方向正确，也很容易验证：在同类任务上，GLM-5.2 和 DeepSeek V4 的 API 价格大约只有闭源前沿模型的五分之一到十分之一，节省确实存在。这个说法没有计入的是把自有推理系统稳定运行起来所需的工程成本，因此对大多数团队来说，在用量足够大之前，API 和固定套餐都比自托管更合算。若想进一步了解这些开放模型与闭源 Claude、GPT、Gemini 在编程能力上的正面对比，可阅读[最佳AI 编程模型](/blog/best-ai-model-for-coding-2026)。

最终决策规则

一个约束就能改变整个选择逻辑。如果可以使用 API，决策本质是成本与能力的权衡：高难度智能体任务选 GLM-5.2，大规模任务选 DeepSeek V4 Flash。如果因数据驻留、监管要求或隔离网络而无法使用 API，真正重要的问题只有一个：现有硬件能运行什么？一张 GPU 选 gpt-oss-120b，稍大一些的服务器选 Qwen3。先确定能否使用 API，其余选择自然会清晰。

2026 年最好的开源大模型是什么？

对于严肃的智能体与编程任务，答案是 GLM-5.2：它在所有开放模型长周期基准上领先，采用 MIT 许可证，并提供每月固定 $18 的套餐。对于低成本、大规模任务，DeepSeek V4 Flash 每百万 token 输入 $0.14、输出 $0.28，价格无人能及。

开放权重和开源是一回事吗？

不是，而且混淆两者可能带来真实成本。开放权重表示可以下载模型；对企业而言，开源还意味着许可证允许部署并销售基于它构建的产品。DeepSeek、GLM、Qwen 和 gpt-oss 采用宽松的 MIT 或 Apache 2.0 许可证；Llama 与 MiniMax 使用受限的社区许可证，商业使用前需要律师审阅。

这些模型能在自己的硬件上运行吗？

部分模型可以轻松做到。gpt-oss-120b 可装入一张 80GB H100，gpt-oss-20b 只需 16GB。DeepSeek V4、GLM-5.2 和 Kimi K2.7 等大型混合专家模型，需要多 GPU 集群才能实现良好的自托管效果，因此大多数团队会改用 API 租用。

美国公司使用中国开放模型安全吗？

下载后的权重完全在自有基础设施上运行，不会向外发送数据，因此自托管可以彻底绕开数据驻留问题。只有调用厂商托管的 API 时，数据才会传给该服务商。如果这一点很重要，就自行托管开放权重，或选择提供这些模型的西方托管平台。

普通电脑本地能运行的最佳开放 LLM 是什么？

可以选择只需 16GB 内存的 gpt-oss-20b，或 Qwen3 的中等规模权重。两者都能在一台工作站上提供实用能力，并采用宽松许可证，无需租用外部服务。

想把整个技术版图映射到自己的业务，而不只是了解模型，还包括把它们变成产品的智能体、工具与技术栈？订阅面向企业经营者的 AI 工具地图，每周用几分钟掌握真正发布了什么，以及接下来该怎么做。