Открытые модели ИИ в 2026 году: DeepSeek, Qwen и Kimi простыми словами

Что означает «открытая модель ИИ»?

«Открытая» — это семейство описаний, а не гарантия. Релиз с открытыми весами предоставляет итоговые обученные параметры модели, которые другие затем могут дообучать, адаптировать или развертывать, если это разрешает лицензия. ^[4] Система ИИ с открытым исходным кодом — более сильное утверждение. Определение Open Source Initiative требует трех элементов на условиях, одобренных OSI: сведений о данных, достаточно подробных, чтобы квалифицированный специалист мог построить по существу эквивалентную систему, полного исходного кода, использованного для обучения и запуска системы, и параметров модели. ^[1]

Это различие влияет на реальный выбор. Веса могут быть доступны, а обучающие данные и код обучения — нет. В пояснении Open Source Initiative об открытых весах сказано, что они отличаются от ИИ с открытым исходным кодом, потому что не включают ни код обучения, ни обучающий набор данных, ни исчерпывающие сведения об этом наборе в тех случаях, когда им нельзя делиться по закону; без этого процесс обучения трудно воспроизвести или проверить. ^[4] Поэтому модель может допускать локальное развертывание, но не быть полностью воспроизводимой, или ее веса могут быть доступны на условиях, ограничивающих определенные виды использования.

Прежде чем выбирать релиз, задайте четыре вопроса: можно ли получить именно эти веса? Какая лицензия действует? Какая среда выполнения и какое оборудование способны загрузить выбранный формат? Какие есть свидетельства по той задаче, которая для вас важна? «Открытый исходный код» — это не оценка производительности, не гарантия приватности и не обещание, что модель поместится на ноутбуке.

В разделах ниже выражение «с открытыми весами» используется, когда свидетельства касаются весов, а «ИИ с открытым исходным кодом» оставлено для более сильного значения на уровне всей системы. Это позволяет не превращать полезное техническое различие в маркетинговый ярлык.

Что подтверждено о DeepSeek V4?

В разделе Transparency Center компании DeepSeek модель DeepSeek-V4 значится с датой выпуска 24 апреля 2026 года и со ссылками на карточку модели и технический отчет. ^[2] В официальном журнале изменений сказано, что API поддерживает V4-Pro и V4-Flash с 24 апреля 2026 года. В записи от 10 сентября 2026 года говорится, что V4 Flash выведена из эксплуатации, а ее имя в API временно перенаправляется на V4.1 Flash, а самая свежая по состоянию на 11 ноября 2026 года запись, датированная 17 октября 2026 года, обновляет эту модель до V4.1-Flash-1017. ^[6] Эти утверждения подтверждают выпуски семейства моделей и развитие API; они не означают, что у каждого варианта V4 одинаковые веса, лицензия, цена или требования к локальному развертыванию.

В объявлении DeepSeek от 24 апреля 2026 года V4 Preview была названа «open-sourced», то есть выпущенной с открытым исходным кодом; там была ссылка на ее открытые веса на Hugging Face, а V4-Pro описывалась как модель с 1.6T параметров в сумме и 49B активных параметров, V4-Flash — как модель с 284B параметров в сумме и 13B активных параметров. ^[7] «Open-sourced» — это формулировка самой компании; соответствует ли конкретный релиз V4 определению OSI, зависит от того, что на самом деле предоставляют его репозиторий и лицензия. Эти масштабы важны: у модели может быть меньше активных параметров на токен, чем параметров в сумме, и при этом ей все равно нужны значительная инфраструктура и объемные файлы модели. Не делайте вывод, что модель, доступную через API, можно с комфортом запустить на персональном компьютере.

Разработчику стоит отличать имя модели в API от скачанного чекпойнта. Документация DeepSeek объясняет имена в API и маршрутизацию ради совместимости; Transparency Center — подходящее место, чтобы подтвердить крупный релиз и найти его карточку. ^[2][6] Для локального развертывания опирайтесь на конкретную карточку модели, источник весов, лицензию и поддерживаемую среду выполнения, а не на догадки по имени в API.

Обычному читателю полезно понимать DeepSeek как семейство: под родственными названиями могут существовать крупные варианты, варианты, размещенные у провайдера, и варианты для локального использования. Практический выбор — это точный релиз и способ доставки, а не верность бренду.

Чем различаются Qwen3.8 и Kimi K3.1 Pro?

Qwen3.8-27B — визуально-языковая модель, в официальной карточке которой указаны 27B параметров языковой модели и лицензия Apache 2.0; сводка файлов репозитория на Hugging Face показывает размер модели в 28B параметров. В карточке сказано, что репозиторий содержит веса и файлы конфигурации дообученной модели в формате Transformers, а страница на Hugging Face ссылается на квантованные версии для llama.cpp, Ollama, LM Studio или любого совместимого приложения. ^[3] Эти квантованные версии лежат в отдельных репозиториях, поэтому проверяйте, кто опубликовал каждую из них. Все это делает модель правдоподобным кандидатом для локального запуска только в том случае, если выбранное квантование, контекст и оборудование подходят друг другу.

У Kimi K3.1 Pro иной масштаб и иное положение с лицензией. Карточка ее издателя называет ее мультимодальной моделью с открытыми весами на архитектуре «смесь экспертов», указывает 2.8T параметров в сумме и 104B активируемых параметров и называет лицензию, специфичную для Kimi. ^[5] Модель может быть технически доступной и при этом не быть правильным локальным выбором для обычного оборудования или не лицензироваться так же, как модель под лицензией Apache.

Эти два релиза показывают, почему одно лишь число параметров не отвечает на вопрос «что лучше». Масштаб Qwen в 27B может упростить локальное тестирование при подходящем квантовании. Гораздо больший масштаб Kimi может быть рассчитан на инфраструктуру с намного большим объемом памяти и возможностями развертывания. Правильное сравнение — это задача, качество результата, задержка, стоимость, лицензия и оборудование, а не утверждение, будто одно семейство выигрывает в каждом бенчмарке.

Обе карточки — это информация издателей. Заявления о результатах в бенчмарках и описания возможностей следует воспринимать как отправные точки для оценки, а не как замену тестированию на типичных запросах, языках и случаях отказа. Для применения с серьезными последствиями сохраняйте этап проверки человеком и независимую процедуру сверки с источниками.

Какая открытая модель для чего подходит?

Чтобы научиться локальному развертыванию, выберите самую маленькую из поддерживаемых моделей, способную справиться с нужным языком и задачей, а затем протестируйте ее. Посильная квантованная версия, совместимая с Qwen, может оказаться более практичным первым экспериментом, чем гораздо более крупный релиз. Hugging Face описывает в документации пути работы в локальных приложениях для GGUF, MLX и других форматов, включая LM Studio, Ollama, llama.cpp и MLX LM. ^[8]

В рабочем процессе с размещением у провайдера API может снять заботы о скачивании весов, выборе среды выполнения и обслуживании оборудования. Это выбор сервиса, а не выбор локальной приватности. Документация API DeepSeek показывает смену имен моделей и выпуски API; пользователям следует проверить действующие условия сервиса, цены и порядок обработки данных, прежде чем отправлять чувствительные материалы. ^[6]

Исследовательской или инфраструктурной команде очень крупные релизы с открытыми весами могут дать контролируемое размещение на собственных мощностях, специализированную оценку или адаптацию. Они же добавляют эксплуатационной работы: получить веса, управлять мощностями для инференса, применять обновления безопасности, соблюдать лицензии и следить за качеством результатов. Размер Kimi K3.1 Pro показывает, что доступность весов не устраняет этих затрат. ^[5]

Для мультимодальной работы сверяйтесь с точной карточкой модели, а не исходите из того, что каждая модель принимает изображения, видео или документы. Qwen описывает Qwen3.8-27B как визуально-языковую модель, а карточка Kimi описывает модальности текста и изображений. ^[3][5] Само по себе это ничего не говорит о точности на конкретном изображении или документе, особенно в чувствительной области.

В работе, чувствительной к приватности, локальное выполнение может сократить передачу запросов провайдеру, размещающему модель, но это не автоматическая приватность. Загрузки моделей, обновления, локальные журналы, резервные копии, плагины и серверы, открытые в сеть, остаются отдельными рисками. Полный разбор компромиссов между оборудованием и приватностью — в руководстве сайта по локальному ИИ.

Как оценивать модель с открытыми весами?

Сначала прочитайте карточку модели. Уточните издателя, ревизию модели, лицензию, предполагаемую задачу, архитектуру, модальности, известные ограничения и поддерживаемые форматы развертывания. Карточка — не сертификат точности, но это самый прямой источник сведений о том, что именно, по словам издателя, было выпущено. ^[2][3][5]

Затем выберите один реалистичный тестовый набор. Используйте небольшой набор типичных запросов с известными ожидаемыми фактами, трудными граничными случаями и на нужном языке. Сравнивайте ответы по правильности, полноте, согласованности и вредной самоуверенности. Не судите о модели только по гладкому первому ответу или по единственному публичному бенчмарку.

Зафиксируйте точное окружение: ревизию модели, квантование, предел контекста, среду выполнения, оборудование, формулировки запросов и доступ к инструментам. Два пользователя могут получить разные результаты от модели с одним и тем же названием, если эти переменные различаются. Такая запись также позволяет воспроизвести удачную конфигурацию или разобраться в плохом ответе.

Проверьте лицензию, прежде чем развертывать модель за пределами личных экспериментов. Определение OSI объясняет, что ИИ с открытым исходным кодом — это больше, чем веса, а в пояснении OSI об открытых весах сказано, что одних весов недостаточно для того, чтобы в полной мере использовать, изучать, изменять систему и делиться ею. ^[1][4] Коммерческое использование, распространение, дообучение, использование в размещенном сервисе и указание авторства могут регулироваться разными условиями.

Наконец, установите границу для результатов. Открытая модель может составлять черновики, переводить, классифицировать или помогать исследовать информацию. Она не должна быть последней инстанцией в юридических, финансовых, медицинских решениях и в решениях о защите и безопасности без независимых актуальных свидетельств и надлежащего профессионального суждения.

Как запустить открытую модель локально и не запутаться?

Выберите среду выполнения до того, как скачивать файл модели. Hugging Face перечисляет совместимые локальные приложения и форматы: например, LM Studio поддерживает модели GGUF и MLX, Ollama поддерживает GGUF, а MLX LM поддерживает модели MLX для генерации текста. ^[8] Файл модели в неподходящем формате — бесполезная загрузка.

Начните с официальной страницы издателя или с устоявшегося хостинга моделей, затем выберите формат, подходящий компьютеру. Страница Qwen3.8-27B на Hugging Face ссылается на квантованные версии, при этом базовый релиз 27B сам по себе не является утверждением, что каждое устройство может загрузить каждую версию. ^[3] Оставляйте запас памяти для операционной системы и контекста, а не считайте размер модели на диске полным требованием.

Держите первый сервер локальным, на том же компьютере, и тестируйте на безобидных данных. Не выставляйте конечную точку локальной модели в публичный интернет только ради того, чтобы пользоваться ею с другого устройства. Если позже понадобится сетевой сервис, используйте аутентификацию, обновляйте среду выполнения и разберитесь, кто может отправлять ей запросы.

Используйте систему контроля версий для конфигураций и ведите запись о лицензии модели. Локальная модель может быть технически простой в запуске, но юридически непригодной для запланированного сервиса, или наоборот. Упорядоченный эксперимент безопаснее и полезнее, чем многократное скачивание огромных файлов неясного происхождения.

Когда модель отвечает плохо, меняйте по одной переменной за раз: меньший контекст, другое квантование, другая среда выполнения или модель, лучше соответствующая задаче. Большее число параметров — не единственное средство.

За чем читателям следить в открытых моделях в 2026 году?

Внимательно следите за тем, о каком именно релизе идет речь. Официальные страницы DeepSeek различают V4, V4-Pro, V4-Flash и изменения API, связанные с V4.1-Flash. ^[2][6] Заголовок со словами «DeepSeek V4» может относиться не к той точной модели или не к тому способу доставки, которыми читатель собирается пользоваться.

Следите за лицензиями и деталями развертывания так же пристально, как за возможностями. Публичная страница Qwen3.8-27B указывает Apache 2.0, тогда как Kimi K3.1 Pro указывает лицензию, специфичную для Kimi. ^[3][5] Эти обозначения следует читать в самих репозиториях, потому что у базовой модели, квантованной версии от сообщества и производной модели может быть разная документация.

Следите за свидетельствами, которые соответствуют задаче. Бенчмарк по программированию не решает вопроса о понимании документов, заявление о длинном контексте не решает вопроса о фактической точности, а поддержка изображений не решает вопроса о надежности работы с изображениями. Открытые релизы упрощают тестирование и адаптацию, но не отменяют необходимости в оценке.

Следите не только за примечаниями к релизам, но и за эксплуатационными изменениями. Размещенные API могут переименовывать, перенаправлять или выводить из эксплуатации конечные точки, как это показывает журнал изменений V4 у DeepSeek. ^[6] Команде, которая зависит от API, следует протестировать любую замену до использования в рабочей среде и сохранить запасной процесс. Команда, которая размещает модель у себя, должна вместо этого планировать проверку целостности загрузок, обновления среды выполнения, хранение и мощности. Ни один из путей не избавляет от обслуживания навсегда. До запуска спланируйте откат, заложите бюджет на мониторинг и задокументируйте, кто отвечает за каждую эксплуатационную обязанность.

Ведите файл свидетельств с ревизией карточки модели, текстом лицензии, с которым вы сверялись, версией среды выполнения, оценочными запросами и наблюдавшимися видами отказов. Для личного проекта это скромная работа, а для использования в организации — необходимая. Она превращает привлекательное заявление об открытом релизе в воспроизводимое решение. Она также помогает отличить ограничение модели от ошибки в квантовании, построении запроса или локальной конфигурации.

Долговечный выбор — это не абстрактное «DeepSeek против Qwen против Kimi». Это самая маленькая точная модель с наиболее ясной лицензией и проверяемыми возможностями, которая справляется с задачей при такой схеме развертывания, какую пользователь способен поддерживать.