Топ-10 некитайских open-source моделей ИИ: рейтинг lmarena и сравнение производительности

Политика в коде: почему происхождение модели теперь имеет значение

В феврале 2026 года выбирать open-source модель ИИ стало сложнее, чем когда-либо. Рынок наводнили китайские разработки — мощные, эффективные, но для многих западных компаний политически чувствительные. Санкции, экспортные ограничения, вопросы безопасности данных.

Если вам нужна модель без китайского происхождения, приходится копать глубже. И здесь на помощь приходит lmarena — цифровой Колизей, где модели сражаются в слепых тестах, а пользователи голосуют за лучший ответ.

Что такое ArenaScore и почему ему можно верить (иногда)

ArenaScore — это не синтетический бенчмарк вроде MMLU или HumanEval. Здесь реальные пользователи сравнивают два слепых ответа на один вопрос. Не знают, какая модель отвечает. Выбирают лучший. Система Эло, как в шахматах.

Звучит честно? В теории да. На практике есть нюансы. Пользователи lmarena — в основном энтузиасты и разработчики. Их запросы часто технические, специфичные. Поэтому модели, сильные в коде или логике, получают преимущество.

Десятка сильнейших: от французского шика до американской грубой силы

Отсеяв все модели китайского происхождения (даже те, что технически open-source), получаем вот такой список. Помните: open-source не всегда значит "бесплатная для коммерческого использования". Лицензии — отдельная головная боль.

1. Mistral Large 3 — ArenaScore: 9.82

Французы снова всех удивили. Не размером (параметров "всего" 140B), а архитектурой. Mistral Large 3 использует гибридную систему экспертов, где разные части модели активируются для разных типов задач. Результат? Бешеная эффективность.

Что умеет лучше всех: работа с кодом на Rust и Go (да, именно эти языки стали тестовым полигоном в 2025), логические цепочки из 10+ шагов, понимание контекста в 128K токенов без потерь.

Минус: жрет память. На полную катушку нужно 80+ ГБ VRAM. Но есть quantized версии для 24 ГБ — спасибо сообществу за llama.cpp.

2. Llama 3.3 70B — ArenaScore: 9.71

Meta не сбавляет темп. Llama 3.3 — это не революция, а эволюция. Улучшили everything: меньше галлюцинаций, лучше следят за инструкциями, наконец-то починили работу с неанглийскими языками.

Сильная сторона: предсказуемость. Если вам нужна модель, которая не выдаст случайный креативный бред в серьезном корпоративном чате — это она. Скучно? Зато безопасно.

Лицензия все еще раздражает. Для компаний с выручкой больше $1 млн — платно. Но кто считает?

3. Gemma 2 27B — ArenaScore: 9.58

Google сделал неожиданное: выпустил модель, которая работает. Gemma 2 — это баланс между размером и качеством. 27B параметров, но ArenaScore как у некоторых 70B моделей.

Фокус на безопасности и этике. Иногда слишком много: модель может отказаться отвечать на безобидные вопросы, если заподозрит манипуляцию. Раздражает, когда нужно быстро протестировать гипотезу.

Зато идеальна для образовательных проектов и публичных чат-ботов. Юридических рисков почти ноль.

4. OLMo 2 70B — ArenaScore: 9.47

Allen Institute for AI пошел другим путем: полная прозрачность. Выложили не только веса, но и весь пайплайн обучения, данные, даже логы ошибок. Для исследователей — золотая жила.

В боевых условиях показывает себя отлично, особенно в научных и аналитических задачах. Модель думает медленнее, чем конкуренты, но ответы более обоснованные.

Если вам нужно не просто получить ответ, а понять, как модель к нему пришла — OLMo 2 лучший выбор. Для продакшена есть варианты побыстрее.

5. DBRX 2.0 — ArenaScore: 9.42

Databricks взяли архитектуру Mixture of Experts и довели до абсолюта. 132B параметров, но активны только 36B в каждый момент времени. Скорость впечатляет: в 2-3 раза быстрее аналогичных по качеству моделей.

Создавалась для работы с структурированными данными — SQL, JSON, таблицы. Здесь ей нет равных. Автоматическая генерация сложных запросов к базам данных с учетом контекста.

Слабовата в креативных задачах. Попросите написать стихи — получите техническое описание процесса написания стихов. Зато для инженерных задач на Python подходит идеально.

6. Falcon 2 40B — ArenaScore: 9.35

ОАЭ инвестируют в ИИ миллиарды, и результаты видны. Falcon 2 — первая модель не из США или Европы, которая стабильно держится в топе. 40B параметров, multilingual с рождения (поддерживает 11 языков из коробки).

Особенность: отличное понимание культурного контекста Ближнего Востока и Азии. Западные модели часто спотыкаются на местных реалиях, а Falcon 2 — нет.

Лицензия Apache 2.0 — одна из самых свободных. Можно делать что угодно, даже закрывать код. За это ее любят стартапы.

7. Phi-4 12B — ArenaScore: 9.28

Microsoft доказала: размер — не главное. Phi-4 всего 12B параметров, но по ArenaScore обгоняет многие 30B+ модели. Секрет в качестве данных обучения и инновационной архитектуре.

Работает на чем угодно: от серверного GPU до ноутбука трехлетней давности. Потребление памяти — смешные 8 ГБ в fp16. Для локального развертывания без бюджета — лучший вариант.

Ограниченный контекст (всего 32K токенов) и средние результаты в сверхсложных логических цепочках. Но для 95% повседневных задач хватает с запасом.

8. BLOOMZ 2.0 — ArenaScore: 9.15

Международный проект BigScience вернулся с обновлением. BLOOMZ 2.0 — мультиязычный монстр: 46 языков на уровне носителя, еще 100+ на приемлемом уровне.

Если ваш продукт для глобальной аудитории — смотрите в эту сторону. Особенно сильна в переводе и культурной адаптации контента. Не просто переводит слова, а адаптирует метафоры, идиомы, шутки.

Тяжелая (176B параметров) и требовательная к ресурсам. Но для локализации больших проектов окупается быстро.

9. MPT 2.0 — ArenaScore: 9.03

MosaicML (теперь часть Databricks) сделала ставку на длинный контекст. 256K токенов — и это не маркетинг, модель реально использует весь объем. Анализ длинных документов, юридических контрактов, научных статей.

Архитектура оптимизирована для обучения с нуля на ваших данных. Хотите дообучить модель на внутренней документации компании? MPT 2.0 справится быстрее конкурентов.

Обычные диалоги ведет средне. Не ждите от нее блестящей беседы — она создана для работы с текстом, а не для болтовни.

10. StableLM 2 12B — ArenaScore: 8.94

Stability AI известна Stable Diffusion, но и в текстовых моделях они не лыком шиты. StableLM 2 — максимально стабильная (как и следует из названия) модель без сюрпризов.

Предсказуемое качество, предсказуемая скорость, предсказуемое потребление памяти. Для продакшена, где важна стабильность, а не прорывные результаты — идеально.

Лицензия Creative Commons — можно использовать даже без указания авторства. Редкость в мире open-source ИИ.

Какую модель выбрать в 2026? Зависит от того, что вас бесит

Выбор модели — это всегда компромисс. Нет идеальной. Есть та, чьи недостатки вас раздражают меньше всего.

• Бесит платить за API? Все модели из списка — open-source. Качаете, развертываете сами. Правда, теперь нужно платить за GPU. Или использовать облако — например, RunPod с их готовыми шаблонами развертывания.
• Бесит ждать ответа 10 секунд? Смотрите на Phi-4 или StableLM 2. Малые модели, быстрые. Или квантуйте большие — современные методы quantization почти не теряют качество.
• Бесит юридическая неопределенность? Apache 2.0 — ваша религия. Falcon 2, DBRX, MPT 2.0, OLMo 2. Берёте и не думаете.
• Бесит, когда модель галлюцинирует? Mistral Large 3 или Llama 3.3. Дорого в развертывании, зато стабильность.

А что с производительностью на реальном железе?

ArenaScore измеряет качество ответов, но не скорость. А в продакшене секунды — это деньги. Особенно если вы обрабатываете тысячи запросов в час.

На RTX 4090 24 ГБ ситуация такая:

• Phi-4 (12B): 45 токенов/сек — летает
• Gemma 2 (27B): 28 токенов/сек — комфортно
• Llama 3.3 70B (в 4-bit): 18 токенов/сек — терпимо
• Mistral Large 3 (в 4-bit): 14 токенов/сек — уже думаете об апгрейде

Если нужна максимальная скорость, смотрите в сторону Ling 17B — не вошла в топ-10 по ArenaScore, но по скорости обгоняет всех. Или экспериментируйте с гибридными архитектурами.

Ловушка рейтингов: почему lmarena — не истина в последней инстанции

Пользователи lmarena — не репрезентативная выборка. Это технически подкованные энтузиасты. Их запросы смещены в сторону программирования, логики, анализа.

Если вам нужна модель для креативных задач — написание маркетинговых текстов, генерация идей, работа с образами — lmarena может дать ложную картину. Модели, сильные в креативе, часто проигрывают в "технарских" баталиях.

Всегда тестируйте модель на своих данных. Скачайте несколько кандидатов, прогнайте через Hugging Face Spaces или локально. Потратите день, сэкономите месяц.

Что будет дальше? Прогноз на конец 2026

Гонка open-source моделей переходит в новую фазу. Не размер, не качество, а специализация.

Уже появляются модели, заточенные под конкретные индустрии: юридические, медицинские, финансовые. Их общий ArenaScore может быть средним, но в своей нише они бьют гигантов.

Еще один тренд — кросс-модальность из коробки. Текст, изображение, аудио в одной архитектуре. Пока это удел больших проприетарных моделей, но open-source догоняет.

Мой совет: не гонитесь за топом рейтинга. Ищите модель, которая решает ваши конкретные проблемы. Иногда Phi-4 на ноутбуке полезнее, чем Mistral Large 3 на сервере за $10 000 в месяц. Особенно если учитывать, что сейчас считают не качество, а секунды и доллары.

P.S. Если решите качать модели тоннами — купите внешний SSD. Места нужно много. И терпение. Первые запуски всегда боль.

Подписаться на канал