Открытые модели для бизнеса: Qwen, DeepSeek, GLM, GigaChat - сравнение на октябрь 2026

Открытые веса - это обученные параметры нейросети, которые выложены для скачивания. Модель работает на вашем оборудовании, запросы никуда не уходят, сервер можно полностью изолировать от интернета. Код и данные обучения при этом обычно закрыты.

Для бизнеса главное в открытой модели - лицензия. Она решает, можно ли использовать модель в коммерческом продукте и ставить её клиенту в составе решения:

• MIT и Apache 2.0. Коммерческое использование и поставка в составе решения или программно-аппаратного комплекса без отчислений. Под ними выходят DeepSeek, GigaChat, большинство моделей Qwen и GLM-5.3-Flash
• Собственные лицензии. Обычно свободны для работы внутри компании, но ставят условия крупным облачным сервисам: проверку у разработчика, отдельный договор, обязательное упоминание модели. Так устроены лицензии GLM-5.3, Kimi K3 и Max-версии Qwen

Условия лицензии каждой модели мы проверяем и фиксируем в документации решения до поставки.

Семейство Alibaba - самое широкое среди открытых: от маленьких моделей до флагманов, а ещё эмбеддеры и реранкеры для поиска.

• Qwen3.8-27B (август 2026, Apache 2.0) - плотная модель на 27 млрд параметров, понимает изображения, контекст 262 тыс. токенов с расширением до 1 млн. Работает на одной видеокарте в сжатом виде. Лучшая «первая модель» для пилота
• Qwen3.6-27B (Apache 2.0) - предыдущая версия, одна из сильнейших открытых моделей в русском рейтинге MERA 2.0
• Qwen3.8 Max-уровня (2,4 трлн параметров) - первые открытые веса Max-класса у Qwen, но под собственной лицензией: отдельная лицензия нужна облачным сервисам и рабочим ассистентам с выручкой группы от $50 млн в год, крупные продукты обязаны указывать модель. Отчислений с выручки лицензия не требует
• Qwen3-Embedding и Qwen3-Reranker (Apache 2.0) - эмбеддеры 4B и 8B и реранкер 4B для поиска по документам

Все актуальные модели DeepSeek выходят под MIT.

• DeepSeek V4.1-Flash (сентябрь 2026, MIT) - большая MoE-модель с небольшим числом активных параметров и контекстом до 1 млн токенов. По данным разработчика, в агентных задачах и коде обходит более крупную V4-Pro
• DeepSeek V4-Pro (MIT) - самая большая модель семейства, 1,6 трлн параметров, сильнее в сложных вопросах на знания

Где полезен: разбор длинных договоров с приложениями целиком, агенты, работа на серверах среднего и старшего класса.

• GLM-5.3 (август 2026) - флагман Z.ai, 753 млрд параметров, контекст 1 млн токенов, сильна в агентных задачах и коде. Лицензия собственная, на базе MIT: облачным сервисам с выручкой группы от $10 млрд в год нужна проверка у Z.ai, для работы внутри компании ограничений нет. Помещается на кластер из 3-4 настольных DGX Spark в 4-битном сжатии
• GLM-5.3-Flash (MIT) - 320 млрд параметров, из них 18 млрд активных: заметно дешевле в работе, подходит для сервера с двумя видеокартами по 96 ГБ
• GLM-OCR (MIT) - небольшая модель распознавания документов

• GigaChat 3.5 Ultra и 3.5 Reasoning (июль и сентябрь 2026, MIT) - 432 млрд параметров, 28 млрд активных. Серверный класс
• GigaChat 3.1 Lightning (MIT) - 10 млрд параметров, 1,8 млрд активных: быстрая модель для классификации и извлечения полей на малом железе
• GigaAM-v3 и Giga-Embeddings (MIT) - распознавание русской речи и эмбеддеры для поиска от той же команды Сбера
• T-pro 2.1 (Т-Банк, Apache 2.0) - модель на 33 млрд параметров, дообученная на русском поверх Qwen3-32B

Российские открытые модели удобно сочетать с китайскими: например, GigaChat для ответов клиентам и Qwen для внутренних задач. Облачные GigaChat и YandexGPT подключаются в гибридной схеме для задач без чувствительных данных.

Kimi K3 (Moonshot, июль 2026, 2,8 трлн параметров) - одна из сильнейших открытых моделей, но для неё нужен кластер, а лицензия собственная: облачным сервисам с выручкой от $20 млн нужен договор. Xiaomi MiMo-V2.6-Pro (сентябрь 2026, MIT) на октябрь возглавляет один из сводных рейтингов открытых моделей, но русский язык в её карточке не заявлен. Рейтинги разных источников противоречат друг другу, поэтому «лучшая модель» без указания задачи и даты - не аргумент.

В открытой части рейтинга MERA 2.0 (данные на 25.09.2026) впереди модели Qwen и GigaChat 3.5. GLM-5.x, DeepSeek V4 и Kimi K3 в этом рейтинге пока нет, поэтому сравнивать их по нему нельзя. Качество делового и маркетингового текста бенчмарки почти не меряют, поэтому для русского текста модель всегда проверяется на ваших письмах и ответах.

Из нашего опыта: качество ответов по документам больше зависит от эмбеддера, реранкера и нарезки документов, чем от самой языковой модели. Если поиск принёс не тот фрагмент, сильная модель уверенно ответит не то. Поэтому для базы знаний подбирается связка из трёх моделей:

• Эмбеддер - Qwen3-Embedding 4B или 8B (Apache 2.0), BGE-M3 (MIT), обученные на русском FRIDA (MIT) и USER-bge-m3 (Apache 2.0), новые Giga-Embeddings от Сбера (MIT)
• Реранкер - Qwen3-Reranker-4B или лёгкий bge-reranker-v2-m3 (оба Apache 2.0)
• Гибридный поиск - полнотекстовый (BM25) и по смыслу (pgvector) в одной базе PostgreSQL. Подробнее: гибридный поиск

Ориентиры на октябрь 2026:

• Одна видеокарта 24 ГБ - модели до ~30 млрд параметров в сжатии (Qwen3.8-27B, GigaChat 3.1 Lightning), эмбеддер и реранкер. Для пилота
• Один DGX Spark (128 ГБ) - MoE-модели до ~120 млрд параметров в 4 битах
• 3-4 DGX Spark в кластере - флагманы класса GLM-5.3 в 4-битном сжатии
• Сервер с 2-4 видеокартами по 96 ГБ - модели на 100-550 млрд параметров с многопользовательской нагрузкой

Цены на железо в 2026 году быстро растут. Актуальные ориентиры с датами - в разделе железо страницы об открытых моделях.

Квантизация уменьшает точность чисел в параметрах модели (с 16 бит до 8 или 4), чтобы модель занимала меньше памяти и работала быстрее. Для современных больших MoE-моделей 4-битные версии теряют в качестве немного, а 2-битные - уже заметно.

• FP8 и NVFP4 - форматы для современных видеокарт NVIDIA, основной выбор для серверов
• AWQ - 4-битный формат с учётом важности параметров, поддерживается в vLLM
• GGUF - формат llama.cpp и Ollama с уровнями от 8 до 2 бит; удобен на рабочих станциях

Начинаем со сжатой версии, проверяем качество на ваших вопросах и переходим на более точную, только если разница видна.

• vLLM - основной вариант для продакшена: много пользователей одновременно, распределение модели по нескольким видеокартам
• SGLang - для кластеров, в том числе из нескольких DGX Spark
• llama.cpp и Ollama - быстрый старт и рабочие станции, запуск больших MoE-моделей с частичной выгрузкой в оперативную память

Стек одинаковый на любом железе, поэтому пилот на небольшом сервере честно показывает, как будет работать большой.

Рейтинги дают только список кандидатов. Решение принимается по замеру:

• собираем 50-100 реальных вопросов сотрудников с эталонными ответами;
• прогоняем 3-4 эмбеддера и 2 языковые модели на ваших документах, на арендованных видеокартах, до покупки железа;
• сравниваем качество, скорость и стоимость одного запроса;
• покупаем железо под самую недорогую связку, которая прошла проверку.

Набор вопросов остаётся у вас и проверяет каждое следующее обновление модели.

Имеет смысл, когда модель должна держать строгий корпоративный стиль, задача узкоспециализированная (медицина, право, отраслевые термины) или нужна высокая точность от небольшой модели, например при извлечении полей из документов.

Не нужно для большинства задач поиска по документам: связка поиска подставляет нужные фрагменты, и модель работает с вашими данными без дообучения. Начинайте без него, измерьте качество и дообучайте, только если результат не устраивает и есть хотя бы 500-1000 качественных примеров.

На октябрь 2026 открытые модели закрывают большинство задач компании внутри её контура. Qwen даёт сильный русский при малом размере, DeepSeek - длинный контекст и агентов под MIT, GLM - флагман для агентов, GigaChat и T-pro - российские модели с открытыми весами. Но выбирать нужно связку моделей под задачу и проверять её на своих вопросах, а не брать первое место рейтинга.

Подборка моделей по задачам, железо и этапы подбора - на странице открытые модели на вашем железе. Начать можно с бесплатного экспресс-разбора.