Beste Open-Weight-LLMs 2026: DeepSeek vs Qwen vs Kimi vs GLM vs Llama

Das beste Open-Weight-LLM hängt davon ab, was du betreiben kannst und was die Lizenz erlaubt. DeepSeek V4 ist der effiziente Generalist, Qwen deckt die breiteste Größenpalette ab, Kimi K3 zielt auf lange multimodale Agentenarbeit, GLM-5.2 auf langes Reasoning und Coding, und Llama 4 bietet das tiefste westliche Ökosystem mit einer entscheidenden EU-Lizenzgrenze.

Der Haken: "Open Weight" ist nicht eine Entscheidung. DeepSeek, Qwen, Kimi, GLM und Llama unterscheiden sich bei Lizenz, Kontextfenster, Coding- gegen Reasoning-Stärke und ob du sie dort, wo deine Daten liegen, überhaupt legal betreiben darfst. Wählst du nach einer Benchmark-Schlagzeile, landest du womöglich auf einem Modell, das deine Aufgabe verfehlt, oder auf einem, das du gar nicht deployen darfst. Das ist der Direktvergleich, den wir fahren, bevor wir ein Modell produktiv setzen, und die Reihenfolge, in der wir die Trade-offs abwägen.

Engineering-Perspektive, kein Vendor-Pitch. Offizielle Model Cards, Repositories und Lizenzen wurden am 7. August 2026 erneut geprüft. Die Auswahl beginnt mit Gewichten, aktiven Parametern, Kontext, Lizenz und Hardware; Benchmark-Aussagen bleiben Hypothesen bis zu deinem eigenen Eval.

Was unterscheidet die Open-Weight-Familien 2026 wirklich?

Es sind nicht fünf Versionen desselben Modells. Jede Familie hat eine andere Wette platziert, und diese Wette entscheidet, wo sie in deinen Stack passt.

• DeepSeek. Der Preis-Disruptor. MIT-lizenzierte Weights, starkes allgemeines Reasoning und Coding, und Preise pro Token, die das untere Ende des Marktes verankert haben. Die Flash-Tiers sind die günstigste glaubwürdige Option für hochvolumige Arbeit, die Pro-Tiers erreichen Coding-Scores nahe der Frontier.
• Qwen (Alibaba). Die breiteste Familie. Viele Größen von winzig bis Flagship, die meisten kleineren offenen Tiers unter Apache 2.0, der permissivsten Lizenz hier. Der gehostete Max-Tier ist der stärkste, aber nicht Open-Weight, geh also nicht davon aus, dass sich die ganze Familie self-hosten lässt.
• Kimi K3 (Moonshot). Der Skalierungs- und Agent-Memory-Kandidat. Kimi K3 hat 2,8 Billionen Gesamt- und 104 Milliarden aktive Parameter, 1M Kontext, native Vision und eine eigene Kimi-K3-Lizenz. Rund 1,6 TB Gewichte machen Self-Hosting zu einem Cluster-Projekt.
• GLM (Zhipu / Z.ai). Das Coding-First-Flagship. MIT-lizenzierte Open Weights, ein langes Kontextfenster und Coding-Benchmark-Stände, die sich bei langen Software-Aufgaben mit der westlichen Frontier messen, zu einem Bruchteil der Kosten.
• Llama (Meta). Der westliche Open-Weight-Platzhirsch. Riesige Kontextfenster und ein tiefes Tooling-Ökosystem, aber eine eigene Community-Lizenz, keine echte Open-Source-Lizenz, und die Lizenzbedingungen haben die EU-Nutzung eingeschränkt. Diese Einschränkung ist der wichtigste Posten für ein EU-Team.

Das Muster: Die chinesischen Familien konkurrieren über den Preis und zunehmend über die Coding-Qualität. Llama konkurriert über Ökosystem und Kontextlänge, schleppt aber Lizenz-Ballast mit, der EU-Teams am härtesten trifft.

Deutschlands neues Soofi S gehört in eine andere Kategorie: ein souveränes deutsch-englisches Modell, dessen geplanter Release mehr als Gewichte öffnen soll. Unser Soofi-S-Käufercheck prüft Benchmarks, Training in München, die unvollständige Preview-Lizenz und die Bedingungen für einen EU-Piloten.

Kimi K3 braucht inzwischen eine eigene Procurement-Entscheidung, getrennt von der älteren K2-Familie. Unser Kimi-K3-API-Review für EU-Unternehmen prüft Live-Preise, unabhängige Performance, Datenstandort Singapur, öffentliche Vertragslücken, Migrationsgrenzen und einen gemessenen Zwei-Wochen-Pilot. Diese Seite bleibt für den breiten Familienvergleich zuständig.

Wie vergleichen sie sich bei Größe, Kontext, Lizenz und Hardware?

Die Tabelle nutzt aktuelle offene Beispielmodelle, nicht gehostete Produkte mit demselben Familiennamen.

Zwei Dinge stechen heraus. Erstens liegen die chinesischen Familien pro Token grob 10 bis 30 Mal unter den obersten westlichen Frontier-Tiers, weshalb sie die Kostenrechnung für hochvolumige Produkte neu aufstellen. Zweitens ist die Lizenz keine Fußnote. MIT und Apache 2.0 erlauben dir Self-Hosting und das Ausliefern in einem proprietären Produkt ohne Lizenzgebühr-Gespräch. Eine eigene Community-Lizenz mit Nutzungs-Ausnahmen tut das nicht, und für ein EU-Team kann die Llama-EU-Einschränkung sie vom Tisch nehmen, bevor der Preis überhaupt ins Spiel kommt.

Coding oder Reasoning: Welche Familie gewinnt welchen Job?

Es gibt keinen einzelnen Sieger, weil Coding und Reasoning Unterschiedliches belohnen. Die ehrliche Lesart der 2026er-Benchmarks, mit dem üblichen Vorbehalt, dass Benchmarks der Realität um Monate hinterherhinken:

• Langlebige Coding-Agents. GLM-5.2 und Kimi K3 sind für lange Tool-Workflows ausgelegt; DeepSeek V4 Pro ist der effizientere Kandidat daneben. Vergleiche abgeschlossene Tasks und Recovery-Verhalten statt einzelner Coding-Scores.
• Allgemeines Reasoning und Breite. DeepSeeks Pro-Tiers und Qwens Flagship decken die breiteste Aufgabenspanne gut ab. DeepSeek landet insbesondere Reasoning-Scores nahe der Frontier zu einem Preis, der es zum Default für kostensensible allgemeine Arbeit macht.
• Reine Coding-Genauigkeit bei isolierten Aufgaben. Die obersten Open-Weight-Scores auf SWE-bench-artigen Suiten liegen jetzt im einstelligen Prozentbereich hinter den führenden westlichen Frontier-Modellen. Die Lücke, die vor zwei Jahren zählte, ist für alltägliche Engineering-Arbeit weitgehend geschlossen.
• Das härteste Reasoning kippt noch nach Westen. Beim allerhärtesten Reasoning und den tiefsten Agent-Loops führen die obersten Claude- und GPT-Tiers weiterhin. Wenn eine falsche Antwort teuer ist, kann das Frontier-Modell auf Gesamtkosten noch gewinnen, sobald du die Entwicklerzeit fürs Korrigieren schlechter Outputs mitrechnest. Diesen Trade-off haben wir in LLM-Token-Kosten 2026 senken behandelt.

"Die Benchmark-Schlagzeile sagt dir, welches Modell du zuerst testen sollst. Dein eigener Eval sagt dir, welches du ausliefern sollst. Das sind oft genug nicht dasselbe Modell, dass du den Eval fahren musst."

Lassen sie sich in der EU ohne Compliance-Kopfschmerz self-hosten?

Hier trennen sich die Familien für ein europäisches Team am härtesten, und hier zählt die Lizenz mehr als Benchmarks.

• DeepSeek, GLM, Kimi. MIT- und modifizierte-MIT-Weights heißt, du kannst sie herunterladen und die Inferenz auf EU-Infrastruktur laufen lassen. Die Daten verlassen nie deine Jurisdiktion, und du behältst den Preisvorteil. Der Haken ist nicht die Lizenz, sondern das operative Gewicht: GPU-Kapazität, ein Inferenz-Stack und die Eval-Disziplin, um zu wissen, dass das Modell weiterhin liefert.
• Qwen offene Tiers. Apache 2.0 ist die permissivste Option in der Tabelle und lässt sich sauber self-hosten. Der Flagship-Max-Tier ist allerdings nur gehostet und läuft außerhalb der EU, ein Self-Host-Plan, der "Qwen" ohne Tier-Nennung annimmt, kann also still Daten ins Ausland routen.
• Llama. Die eigene Community-Lizenz hat die EU-Nutzung eingeschränkt, das ist eine juristische, keine technische Frage. Kläre die Lizenz-Lage, bevor du darauf baust, egal wie gut das Kontextfenster aussieht.

Der tiefere Punkt: Ein chinesisches Open-Weight-Modell auf EU-Infrastruktur self-zu-hosten ist der Zug, der dir Preis und Datenresidenz-Story zugleich gibt. Dasselbe Modell über eine Nicht-EU-API zu nutzen gibt dir den Preis, hängt dir aber zuerst eine Compliance-Frage an. Welcher Pfad passt, hängt von deiner Datenklassifizierung und deiner Bereitschaft ab, Inferenz im Haus zu fahren. Baut dein Team diese interne KI-Kompetenz zum ersten Mal auf, ist genau das der Boden, den unsere KI-Enablement-Arbeit abdeckt. So oder so: Wo die Inferenz läuft und wo die Daten landen, ist eine bewusste Entscheidung, keine Default-Sache.

Welches solltest du also wirklich nehmen?

Wähl nach der Einschränkung, die am schwersten zu ändern ist, nicht nach der Schlagzeile. Die Reihenfolge, in der wir das abarbeiten:

1. Lizenz und Jurisdiktion zuerst. Bist du ein EU-Team, das self-hosten muss, fällt Llama wegen der EU-Einschränkung wahrscheinlich raus, und du wählst zwischen DeepSeek, GLM, Kimi und den offenen Qwen-Tiers. Kläre das, bevor du irgendetwas benchmarkst.
2. Familie an den Job anpassen. Langlebiger Agent: GLM-5.2, Kimi K3 und DeepSeek V4 Pro testen. Kostensensibler allgemeiner Workload: mit DeepSeek V4 Flash starten. Breite Hardware-Auswahl: offene Qwen-Checkpoints prüfen. Llama 4 erst nach Klärung der Lizenz bewerten.
3. Tier richtig dimensionieren. Der meiste Traffic braucht das Flagship nicht. Ein günstiger Default mit Eskalation zu einem stärkeren Tier, das Routing-Muster, schlägt meist, auf allem das größte Modell zu fahren.
4. Eigenen Eval fahren, bevor du wechselst. Ein Benchmark ist eine Start-Hypothese, keine Deployment-Entscheidung. Bau einen kleinen Eval-Harness auf deinen echten Aufgaben und beweise, dass das Modell die Qualität hält, bevor es Produktion berührt. Ein günstigeres Modell, das 1 von 10 deiner Aufgaben verfehlt, ist nicht günstiger.
5. Alle paar Monate erneut prüfen. Diese Familien liefern neue Versionen und neue Preise im Monatstakt. Die richtige Wahl heute ist eine Momentaufnahme, keine dauerhafte Antwort.

Wir fahren genau diese Sequenz in produktiver KI-Arbeit, darunter Engagements wie Twinsoft AI, wo die Disziplin, die einen Modellwechsel sicher macht, der Eval-Harness ist, nicht die Benchmark-Tabelle.

Und der Eval-Harness, den alle überspringen?

Jede Empfehlung oben ruht auf einer Sache, die Teams routinemäßig überspringen: einem Eval-Harness auf deinen eigenen Aufgaben. Öffentliche Benchmarks sind kontaminiert, getrickst und Monate hinterher, und sie messen Aufgaben, die nicht deine sind. Das Modell, das ein Leaderboard anführt, kann für deine Daten, deine Prompts und deine Edge-Cases trotzdem die falsche Wahl sein.

Der Harness muss nicht aufwendig sein. Ein paar Dutzend repräsentative Aufgaben mit klarer Pass-Bedingung, gegen jedes Kandidaten-Modell gefahren, sagt dir mehr als jedes Leaderboard. Es ist auch der einzige Weg, später sicher zu wechseln, weil es dir in Minuten sagt, ob ein günstigeres oder neueres Modell die Qualitätslatte gehalten hat. Ohne ihn ist jeder Modellwechsel ein Ratespiel, und ein Ratespiel, das still die Qualität senkt, ist der teuerste Fehler in dieser ganzen Landschaft.