10.3 2026 年开源 LLM 版图

概述：六大家族，三个梯队

2026 年的开源 LLM 格局已经形成了清晰的”六大家族”和”三个梯队”。与两年前只有 Llama 和 Mistral 撑场面的局面相比，今天的开源生态堪称百花齐放。更重要的是，开源模型与闭源模型的差距正在以前所未有的速度缩小——DeepSeek-V4 在推理能力上已与 GPT-5.5 看齐，但 API 价格仅为后者的 1/30 ¹。

以下按影响力排序：

²; ³

格局分析：开源与闭源的分界线正在模糊

2026 年的一个决定性趋势是：“开源 vs 闭源”不再是二选一的质量取舍，而是变成了部署策略的选择。 DeepSeek-V4 在数学和代码推理上可与 GPT-5.5 和 Claude Opus 4.8 正面竞争，而 Qwen 3.7 的中文能力在所有模型中排名第一。开源模型不再是闭源模型的”廉价替代品”，而是有自己不可替代的优势：数据不出企业网络、模型可定制微调、推理成本自主可控。

但开源的代价是基础设施投入。DeepSeek-V4 的 1.2T 总参数需要最少 4 张 H200 才能运行（通过 MoE 的稀疏激活，实际激活约 60B 参数），对个人开发者来说门槛依然不低。这也是为什么 Qwen 3.7 的 0.5B-7B 小尺寸版本在边缘端和手机端备受欢迎——全尺寸覆盖让开源方案有了”阶梯式”的部署路径。

架构演进时间线

timeline
    title LLM 架构演进
    2017 : Transformer 论文
    2018 : BERT : GPT-1
    2019 : GPT-2 : T5
    2020 : GPT-3 175B
    2022 : ChatGPT : LLaMA
    2023 : GPT-4 : LLaMA 2 : Mistral
    2024 : GPT-4o : LLaMA 3 : DeepSeek-V3
    2025 : GPT-5 : DeepSeek-R1 : LLaMA 4
    2026 : GPT-5.5 : DeepSeek-V4 : LLaMA 4.1

从 2017 年 Transformer 论文发表到 2026 年 GPT-5.5 和 DeepSeek-V4 的双峰格局，这十年间 LLM 架构的主线从未改变——Decoder-Only Transformer + 规模扩展。 变化的是细节之处的工程智慧：从稠密到稀疏（MoE）、从短窗口到长上下文、从单一模态到原生多模态。

注意事项

• 参数规模不等于能力。 DeepSeek-V4 的 1.2T 是总参数，每次推理只激活约 60B。直接比较总参数是误导性的——关注激活参数和实际推理性能。
• 开源不等于免费。 部署 671B+ 的开源模型需要可观的硬件投入（详见 10.9 LLM选型决策框架 的硬件选型指南）。
• 架构在收敛。 2026 年几乎所有前沿模型都采用了 MoE + GQA + RoPE 的技术栈，差异化越来越体现在训练数据质量和 RLHF 后训练上。

关联

• 概念-DeepSeek — DeepSeek 家族的 MLA + MoE 架构详解
• Google Gemini 模型家族 — Gemini 系列的原生多模态路线
• MoE 混合专家 (Mixture of Experts) — MoE 稀疏激活架构的技术原理
• 10.4 MoE：稀疏激活的艺术 — MoE 架构的深入展开
• 10.8 2026年主流LLM能力对比 — 六大家族的能力横向对比
• 10.9 LLM选型决策框架 — 如何根据场景选择模型

上一节：10.1 什么是 LLM | 下一节：10.4 MoE：稀疏激活的艺术 |