最适合编程和 AI 智能体的开源模型
编程助手和 AI 智能体需要可靠的工具调用、长上下文,以及持续取得进展的耐力。这些开放模型正是为这类工作设计的。请在自己的任务上试用其中两三个,因为发布公告中的基准分数是开发者自己公布的。
-
Kimi K3.1 Pro
Moonshot 针对编程和智能体任务调优了这个版本,上下文 1M token,支持图像输入。它是这里最重的选择,需要多节点集群。
-
LongCat-2.5
美团的 MIT 许可证 1.6T 多模态混合专家模型,激活参数 48B,面向长时间的编程和终端任务。美团自己的表格报告 Terminal Bench v2.1 得分 88.4。它需要数据中心级集群,部署文档只覆盖 NPU 服务器。
-
GLM-5.3
面向编程的纯文本模型,753B 参数(40B 激活),上下文 1M。许可证接近 MIT,只对超大型托管业务附加安全审查条件。
-
DeepSeek V4
DeepSeek 面向长上下文智能体的 MIT 许可证组合:1.6T 的 Pro(激活 49B)和 284B 的 Flash(激活 13B),上下文都是 1M。据我们估算,4 位精度下 Flash 约需 184 GB。
-
Ling-3.1-flash
蚂蚁集团面向智能体和编程的开放文本模型:总参数 560B、激活 25B、上下文 1M,MIT 许可证。以线性注意力为主,让长上下文的成本可以承受,但需要使用模型卡上指明的特定 SGLang 或 vLLM 版本。
-
MiniMax M3.1 Flash
紧凑的 428B 多模态混合专家模型,激活 23B 参数,上下文 1M,专门为 4 位运行而训练。请阅读许可证:商用需要署名和通知,年营收超过 2000 万美元则需要书面授权。
-
Laguna M.1
Poolside 的 225B 混合专家模型,激活 23B 参数,上下文 256K,2026 年 6 月起采用 Apache 2.0 开放,附带基座检查点。在 Poolside 自己的表格里 DeepSeek-V4 Flash 和 Qwen3.5-397B 分数更高,它较新的 S 2.1 规模只有一半、分数更好。需要多卡节点。
-
Laguna S 2.1
Poolside 的 118B 混合专家模型,激活 8B 参数,上下文 1M,采用宽松的 OpenMDW-1.1 许可证。它自己的表格里 Terminal-Bench 2.1 得 70.2%,SWE-Bench Pro 得 59.4%,不过在终端任务上 Kimi K3 和 Claude Fable 5 领先。据我们估算,96 GB 的 Q4_K_M 文件约需 106 GB 内存。
-
Motif 3
Motif Technologies 的 MIT 许可证 314B 混合专家模型,激活参数只有 13.2B,上下文 256K,面向工具使用和终端工作。它自己的表格里 Terminal-Bench 2.1 得分 74.9,但知识和数学得分较弱,模型卡的命令用到八张 H200 或 B200。
-
Step 5 Preview
阶跃星辰的 600B 混合专家模型,激活 27B 参数,面向仓库级软件工程、长时间智能体运行和金融。在阶跃星辰自己的图表里,它用 High 档位在 DeepSWE v1.1 上得 67.7,与使用 Max 档位的 Kimi K3 和 GLM-5.3 相当。FP8 下需要 8 卡 H200 节点。
-
Step 3.7 Flash
阶跃星辰采用 Apache 2.0 的视觉语言智能体模型,198B 参数,激活 11B,上下文 256K,推理强度可选。在阶跃星辰自己的表格里 SWE-Bench Pro 得 56.3,111.5 GB 的 GGUF 配合阶跃星辰的 llama.cpp 分支,可在 128 GB 内存的机器上运行。
-
Kimi K2.7 Code
月之暗面基于 Kimi K2.6 的编程智能体模型:1T 参数、激活 32B、上下文 256K,原生 INT4,支持图像和视频输入。月之暗面称它能处理 4000 次以上工具调用的序列,这是自测结果。许可证是改良版 MIT。
-
MiMo-V2.6
小米的全模态智能体模型,用一次大规模强化学习同时训练编程、通用智能体、视觉任务和网络安全。Hugging Face 将其标注为 MIT,但仓库中没有 LICENSE 文件,构建产品前请先确认条款。
-
Ripple-65B Preview
Ricursive Intelligence 的 650 亿参数稠密模型,采用 Apache 2.0,上下文 1M token,2026 年 11 月 4 日以预览版发布。它自己的表格里 Terminal-Bench 2.1 得分 80.5,Reflection Beam 为 80.1,但 SWE-bench Verified 上 Beam 领先(81.6 对 76.5)。BF16 权重约 130 GB。
-
Muse Glimmer
Meta 面向本地智能体的 30B 稠密模型,由 Muse Spark 蒸馏而来,并量化到能放进 24 GB GPU,采用 Apache 2.0。
-
Nanbeige4.3-33B
BOSS 直聘的 330 亿参数稠密智能体模型,采用 Apache 2.0,上下文 512K,2026 年 10 月 24 日发布。它自己的表格里 Terminal-Bench 2.1 得分 80.9,Qwen3.8-27B 为 73.0,但 SWE-Bench Pro 上 Qwen 领先。INT4 版本约 23 GB,仓库里没有 LICENSE 文件。
-
Laguna XS 2.1
Poolside 的 33B 混合专家模型,激活参数只有 3B,上下文 256K,采用 OpenMDW-1.1,模型卡说它能在 36 GB 内存的 Mac 上运行。在 Poolside 自己的表格里,Qwen3.6-35B-A3B 四项编程基准都更高,模型卡也提醒过 llama.cpp、vLLM 和 Ollama 的不完善之处。
-
Raon-1 mini preview
KRAFTON 的 28.8B 混合专家模型,激活 4.3B 参数,采用 Apache 2.0,上下文 262K,内置思考。它自己的表格里 SWE-bench Verified 得分 70.8,Qwen3.6-35B-A3B 为 63.2,但 Terminal-Bench Lite 上是 47.0 对 63.3。模型卡称它是预览版;17.6 GB 的 NVFP4 版本可放进一块 32 GB GPU。
-
Qwen3.6
阿里巴巴针对智能体编程调优的 Apache 2.0 组合:激活仅 3B 的 35B 混合专家模型,以及 27B 稠密模型。据我们估算,4 位精度下分别约需 25 GB 和 19 GB。
-
GLM-4.7-Flash
Z.ai 的 MIT 许可证 30B 混合专家模型,激活 3B 参数,2026 年 1 月发布,月下载量仍约 100 万次。Z.ai 自己的表格里 SWE-bench Verified 得 59.2,gpt-oss-20b 为 34.0,但这些对手都比 Qwen3.5 和 Qwen3.6 更早。官方权重只有 BF16,请使用社区的 4 位版本,据我们估算约需 22 GB。
-
Ornith 1.5
DeepReinforce 基于 Qwen3.5 后训练的智能体编程模型,有 9B、35B-A3B、122B 和 397B 四种规格,采用 MIT 许可证。所有基准测试结论都是自测。据我们估算,9B 在 4 位精度下约需 7 GB。
-
Sage-A1.5
上海人工智能实验室基于 Qwen3.6 的 35B-A3B 智能体模型,支持文本和图像输入,上下文 256K,Apache 2.0。它通过一个工具支持并行子智能体,还有可选的自我检查模式。所有分数都来自实验室自己,官方 Q4_K_M GGUF 约 22 GB。
-
Nex-N2.6
Nex-AGI 面向计算机使用和编程的 Apache 2.0 智能体模型,以基于 GLM-5.3-Flash 的新版 N2.6(321B,FP8)以及最大 1.6T 的 N2.5 mini、Pro、Max 系列为主。分数来自 Nex-AGI 自己的测试框架,N2.6 也并非每一项都超过其底座。
-
Flint
Recursive 的 39.8B 混合专家模型,每个 token 激活约 2.5B 参数,面向编程智能体训练,采用 Apache 2.0。Recursive 要求至少 48 GB 的 GPU 或统一内存,并提供 22.6 到 26.0 GB 的 4 位版本,称 Flint 在 M4 Pro MacBook Pro 上每秒生成超过 125 个 token。
-
Mellum2.1
JetBrains 的 12B 混合专家模型,激活 2.5B 参数,采用 Apache 2.0,是一个先思考再回答的模型,设计目标是在代码仓库里作为快速的子智能体工作。在 JetBrains 自己的表格里,它的 SWE-bench Verified 得 47.0,低于 Qwen3.5-9B 的 50.0,4 位文件约 7 到 8 GB。
-
Qwen3.8-27B
Apache 2.0 许可的 27B 稠密模型,具备编程和智能体能力,一张 GPU 就能容纳,是运行本地编程智能体的实用选择。
-
K2 Horizon
IFM 的完全开放系列,有 375B-A23B 旗舰、4 位下约需 22 GB 的 36B-A4B,以及在 IFM 自己的表格里 SWE-bench Verified 得 72.4 的 7B。在同一张表里,Qwen3.8-27B 在 Terminal-Bench 2.1 上明显领先稠密的 32B。
-
AREX-2
智源研究院基于 Qwen3.8 的 27B 稠密智能体,训练目标是在多轮中改进自己的答案,采用 Apache 2.0。它自己的表格里 MLE-Bench Lite 得分 81.8,Frontier-CS 为 70.7。据我们估算,4 位精度下约需 19 GB。
-
Dory 1.0
NVIDIA 的 4B 循环模型:同一个检查点让一个共享模块重复运行一到四次,服务时可以在速度和质量之间取舍。NVIDIA 报告各档设置下 SWE-bench Verified 得分为 50.3 到 61.8。BF16 约 8 GB,采用 OpenMDW-1.1。
-
gpt-oss
OpenAI 的 Apache 2.0 推理模型,支持函数调用和工具使用。117B 版本能放进一张 80 GB GPU,21B 版本在 16 GB 内存中即可运行。
-
Mage-VL-Cowork
微软的 4B 计算机操作智能体,采用 Apache 2.0,会在点击和运行 shell 命令之间选择。它报告 OSWorld-Verified 得分 66.0%,是自己表格里 4B 模型的最好成绩,不过有一个 9B 模型得 68.7%。它会真实执行操作,请在沙箱里运行。
-
Needle 3
Cactus Compute 的 121M、Apache 2.0 模型,只做一件事:把请求转成工具调用或结构化数据,可在手机和树莓派级开发板上离线运行。工具列表超过约二十几个后,准确率会下降。
-
Clef
Cloudflare 的 27B 和 9B 决策模型不写文字,而是给你定义的每个选项返回一个概率,作为智能体内部快速的路由和分诊步骤。Apache 2.0 许可证,9B 有 6.7 GB 的 4 位 GGUF。
-
Liquid d1
Liquid AI 的 0.6B 到 3B 决策模型,一次前向推理就能回答关于某个状态的命名问题,不生成文字,适合智能体内部的路由和分诊。Liquid 测得 d1-3B 在 RTX 4090 上 8 毫秒,在 Jetson Orin Nano 上 50 毫秒。LFM Open License 仅在营收低于 1000 万美元时免费。
-
AutoTrust Decider
AutoTrust 基于 Qwen 和 Gemma 的开放决策模型,从 9B 到 35B,支持带类型的问题、最多 256 个选项和校准概率。截至 2026 年 11 月 11 日的 30 天内,Decider Pro 35B 约有 165 万次下载,视觉版 27B 约有 155 万次。标签是从 Typesafe 闭源的 Jev 蒸馏而来,分数是 AutoTrust 自己的。
-
pplx-decider
Perplexity 的 Apache 2.0 决策模型:27B 和 4B 的 Flash,一次推理就对同一条消息或图像的多个带类型问题给出每个选项的概率。Perplexity 自己的表格里 v1.2 的 Decision Index 是 68.09,v1.1 是 62.30,权重分别为 52.2 GB 和 9.1 GB。
-
Smaug-Decisions
Abacus.AI 面向音频、图像和文本的 Apache 2.0 决策模型,基于 Gemma 4 E4B 微调,有 3.45 GB 的手机版本和 0.7B 的音频同系列模型。它的 Earshot 音频基准是自家的,下载量还很小,每个仓库 30 天内只有 95 到 190 次。
我们如何筛选
- 开发者将模型定位于编程、智能体或工具使用,并且权重开放。
- 我们列出设计、规模和许可证,而不是自测的基准排名。
- 如果某个模型需要特殊的服务版本,或许可证文件不清晰,条目中会明确说明。