A cada poucos meses alguém declara que o open-source “alcançou”. Aí você tenta colocar em produção e descobre que o benchmark não sobreviveu ao contato com usuários reais. Aqui está o que realmente funciona em meados de 2026.
As faixas que importam
Lançamentos de peso aberto agora formam três faixas práticas. A faixa de fronteira — Llama-4, DeepSeek-V4, Qwen-3 — compete com o GPT-5 na maioria dos benchmarks de turno único e perde bem em tarefas de agentes. A faixa eficiente de 8–14B é onde a maioria dos deploys de produção mora. A faixa mini abaixo de 3B finalmente está usável para on-device.
Comparativo
A tabela abaixo resume os líderes por faixa — preços por milhão de tokens em inferência hospedada em provedores típicos.
O que os benchmarks não medem
Estabilidade em conversas de 5+ turnos é onde os fechados ainda vencem. Confiabilidade de tool-calling com entrada ruidosa é outra lacuna. Se seu produto depende de agentes confiáveis, planeje orçamento para isso.
A escolha pragmática
Para a maior parte dos times: Llama-4-Instruct para chat geral, DeepSeek-Coder-V3 para código, Qwen-3-VL para visão. Qualquer coisa além disso é exagero ou caça a benchmark.