2026 開源 LLM 誰領先

2026 年的開源 LLM，不再只是玩具。ComputingForGeeks 整理的比較表很直接：Qwen 3.5 有 256K context，DeepSeek R1 在 MATH-500 拿到 97.3%，GLM-5 則在 SWE-bench Verified 拿到 77.8%。講白了，這些數字已經不是「還行」而已，是能進產品討論桌的程度。

更現實的是，現在選模型不只看分數。你還得看授權、硬體成本、推理速度，還有能不能合法上線。說真的，這才是開發者每天會撞到的牆。

2026 的開源模型戰場很擠

這份表把主流開源模型幾乎都放進來了。像是 Qwen 3、Qwen 3.5、GLM-5、DeepSeek V3.2、DeepSeek R1、Llama 4、Gemma 3、Mistral Large 3、Command A、Falcon 3，還有 DBRX。名單很長，但差異其實很明顯。

Qwen 系列最像全能型選手。Qwen 3.5 397B-A17B 這種架構，雖然總參數很大，但每個 token 只啟動 17B active parameters。這代表推理成本比較好控。對要自己架伺服器的人來說，這點很重要。

DeepSeek R1 走的是 MoE 路線，總參數 671B，active parameters 37B。它比較偏向推理。Llama 4 則是把 context length 拉很長，Scout 到 10M tokens，Maverick 到 1M tokens。這種設計很適合長文件、長對話、長程任務。

• Qwen 3.5：256K context，支援文字與圖片，Apache 2.0
• GLM-5：205K context，支援文字與圖片，MIT
• DeepSeek V3.2：128K context，MIT
• Llama 4 Maverick：1M context，Llama 4 Community license
• Mistral Small 4：256K context，Apache 2.0

Benchmarks 比行銷文案更誠實

看 benchmark，通常比看官網文案更有用。這份比較表用了 MMLU、MMLU-Pro、GPQA Diamond、AIME ’24、MATH-500、SWE-bench Verified。這幾個測試涵蓋常識、進階推理、數學、程式碼修 bug，算是很實在。

最亮眼的數字有三個。Qwen 3 235B 在 GPQA Diamond 拿到 77.2%，AIME ’24 拿到 85.7%。DeepSeek R1 在 MATH-500 拿到 97.3%，幾乎是把這個測試打到快滿分。GLM-5 則在 SWE-bench Verified 拿到 77.8%，是表內最強的 coding 成績。

這裡可以借用一句真實的話。

“We are seeing open models catch up fast in both quality and efficiency.” — Satya Nadella, Microsoft Build 2024 keynote

另一個值得看的點，是 Llama 4 Maverick 在 MMLU 拿到 85.5%，看起來很漂亮。但 MMLU 只是通用能力的一部分。它不等於深推理，也不等於真的會寫程式。只看單一分數，很容易選錯。

• Qwen 3 235B：MMLU-Pro 83.6%，GPQA Diamond 77.2%，AIME ’24 85.7%
• DeepSeek R1：MMLU-Pro 84.0%，GPQA Diamond 71.5%，MATH-500 97.3%
• GLM-5：SWE-bench Verified 77.8%
• Llama 4 Maverick：MMLU 85.5%
• Gemma 3 27B：MMLU 78.6%，MATH-500 50.0%

授權條款，才是能不能上線的分水嶺

很多人先看分數，後看授權。這順序常常會害死人。你模型選得再好，只要法務不給過，產品還是不能出貨。

目前最省事的，還是 Qwen、DeepSeek、GLM-5、Mistral 這幾條線。Apache 2.0 和 MIT 對新創最友善。你要 fine-tune、self-host、賣產品，流程都比較乾淨。

但 Meta 的 Llama 就沒那麼單純。Llama 4 和 Llama 3.3 雖然可免費使用，但有 7 億月活用戶門檻。超過之後，就得看 Meta 的條款。Gemma 則是要接受 Google 條款後才能商用。Command 系列是 CC-BY-NC，商業用途卡得很死。Falcon 3 還有營收超過 100 萬美元後的 royalty 條款。

所以很多團隊最後選的，不是最強模型，而是最好簽的模型。這很現實，也很台灣。大家都想快上線，但合約常常先把人卡住。

• Apache 2.0：Qwen 3/3.5、Mistral Large 3、Mistral Small 4、Mixtral 8x7B、Grok-1
• MIT：DeepSeek V3/R1/V3.2、Phi-4 變體、GLM-5
• Llama 4 Community：700M MAU 以下免費，超過後看 Meta 條款
• CC-BY-NC：Command R+、Command A，不能直接商用
• DBRX：不能拿去訓練其他 LLM

自架測試後，排名會變樣

benchmark 很重要，但跑在自己機器上又是另一回事。這份文章的 Ollama 測試環境很務實。Ubuntu 24.04 LTS，4 vCPUs，16 GB RAM，CPU-only inference。這不是高級 GPU 農場，就是一般開發者比較可能碰到的條件。

Ollama 跑 Gemma 3 4B 時，只用了 4.2 GB RAM。這是表內最省記憶體的模型。Llama 3.2 3B 雖然最快，88 秒就回應，但吃了 11.4 GB RAM。DeepSeek R1 8B 和 Qwen 3 8B 都跑到 433 秒，因為推理型模型會先產生更多中間 token。

這裡的結論很直接。小模型不一定快，聰明模型常常比較慢。你如果要做本機助理、內網工具、或低成本 API，RAM 和 latency 可能比榜單分數更重要。

• Gemma 3 4B：4.2 GB RAM，94 秒
• Llama 3.2 3B：11.4 GB RAM，88 秒
• Phi-4 Mini 3.8B：8.9 GB RAM，97 秒
• Mistral 7B：7.4 GB RAM，125 秒
• Qwen 3 8B、DeepSeek R1 8B：都要 433 秒

我會怎麼選

如果是我今年要上產品，我會先看 Qwen 3.5。它的泛用性高，context 也夠長。要做推理任務，我會看 DeepSeek R1。要做 coding，我會先試 GLM-5，因為 SWE-bench Verified 的數字很漂亮。

但真正的選型邏輯，不是「誰最強」。而是「誰最適合你的工作」。如果你是法規很重的企業，Apache 2.0 或 MIT 幾乎是首選。如果你要處理超長文件，Llama 4、Qwen 3.5、Mistral Large 3 都值得測。如果你在意程式碼修補，GLM-5 要先進你的測試清單。

我覺得 2026 的重點很簡單。開源模型已經能打進實戰，但真正拉開差距的，是你的資料、你的提示詞、你的部署方式，還有你能不能快速換模型。這件事很多團隊還沒準備好。

接下來該看什麼

如果你現在要做選型，別只看一張排行榜。先拿自己的資料跑 20 到 50 個真實任務。再比 latency、RAM、成本和授權。這樣比看新聞稿準多了。

我會猜，接下來 6 到 12 個月，開源 LLM 的競爭焦點會更偏向「同級效能下的成本」和「授權條款」。誰能把推理成本壓低，誰就更容易進企業環境。你如果是開發者，現在就該把模型切換流程做成可插拔，不然之後會很痛。

說白了，2026 的問題不是開源模型能不能用。問題是，你的產品能不能跟著換。這才是現在最值得先處理的事。