Melhores Modelos de IA Open Source em 2026, Classificados e Comparados

Os melhores modelos de IA open source acabaram de fechar a maior parte da distância que ainda os separava da fronteira fechada. A Moonshot publicou os pesos do Kimi K3 a 27 de julho de 2026, e a Artificial Analysis dá-lhe 57 no seu Intelligence Index contra 61 para o Claude Opus 5, o modelo fechado com melhor pontuação nessa tabela. O GLM 5.2 obtém um 62,1 no SWE-bench Pro, o DeepSeek V4 atinge 80,6 no SWE-Bench Verified, e o Gemma 4 corre num portátil enquanto pontua 85,2% no MMLU-Pro. A nossa comparação completa DeepSeek vs Claude coloca os dois lado a lado.

Este guia classifica os modelos de IA open source que valem o seu tempo em 2026, aquilo em que cada um é genuinamente melhor, e como realmente corrê-los sem uma bancada de GPU. Testámos as escolhas face aos dados de benchmark atuais, aos termos de licença e à acessibilidade real, porque a maioria das listas de «melhor IA open source» é escrita por empresas que lhe vendem o hardware para os correr. Vendemos uma aplicação, não GPU, por isso esta classificação não tem interesse nessa corrida. Para um olhar mais atento sobre como um modelo aberto se compara aos modelos de topo pagos, veja o confronto direto do GLM com os modelos de topo fechados.

Se o próprio rótulo «open source» lhe parece impreciso, o nosso explicador sobre o que significa realmente IA open source detalha os pesos abertos, o licenciamento, e porque «aberto» nem sempre significa o que pensa.

Os pontos-chave

• O Kimi K3 é o modelo aberto mais capaz que pode descarregar, um design multimodal de 2,8 biliões de parâmetros que ativa 104 mil milhões de parâmetros por token e lê um contexto de 1 milhão de tokens. Os seus pesos ficaram públicos a 27 de julho de 2026. O Inkling, da Thinking Machines de Mira Murati, é agora o modelo de open weights mais forte construído nos EUA, com 41 no Artificial Analysis Intelligence Index, ainda bem atrás dos 57 do K3.
• O GLM 5.2 continua a ser a escolha certa para a maioria das pessoas, com um design de 744 mil milhões de parâmetros, uma janela de contexto de 1 milhão de tokens, e uma licença MIT genuinamente permissiva que o K3 não tem.
• O DeepSeek V4-Pro continua a liderar em poder bruto e contexto longo, com 80,6 no SWE-Bench Verified e 93,5 no LiveCodeBench, com uma janela nativa de 1 milhão de tokens.
• A maioria dos modelos «open source» são na verdade de open weights, os pesos são gratuitos mas os dados de treino continuam privados. A IA verdadeiramente open source é mais rara do que o rótulo sugere.
• Não precisa de uma quinta de GPU para a maior parte desta lista. Gemma 4 12B corre num portátil moderno, e há aplicações que encaminham os maiores modelos para o seu Mac ou iPhone sem hardware local nenhum.

O que conta como um modelo de IA open source

Um modelo de IA open source publica os seus pesos, e idealmente o seu código e dados de treino, para que qualquer pessoa possa descarregar, correr, modificar e redistribuir. Essa é a promessa. A realidade é mais nuançada, e importa saber isso antes de escolher um.

A maioria dos modelos a que toda a gente chama «open source» são na verdade de open weights. Recebe os pesos treinados de graça, mas os dados de treino e a receita completa ficam trancados. A definição oficial da Open Source Initiative exige muito mais transparência do que isso, e é por isso que quase nenhum modelo de fronteira se qualifica como totalmente aberto. Assinalamos essa distinção ao longo do artigo, porque uma licença «MIT Modificada» ou uma licença comunitária personalizada pode trazer condições comerciais que uma licença MIT ou Apache 2.0 verdadeira não tem.

A conclusão prática é simples. Os pesos abertos significam que pode correr o modelo em privado, ajustá-lo, e evitar taxas de API por token. Nem sempre significam uso comercial sem restrições, por isso a coluna da licença na nossa tabela abaixo é tão importante como as pontuações de benchmark.

Melhores modelos de IA open source 2026 de relance

Aqui está a classificação completa. Escolhemos estes nove com base no desempenho de benchmark atual, na atualidade, na liberdade da licença, e em quão realista é usá-los de facto. As pontuações são os valores mais altos reportados por cada laboratório ou teste independente até julho de 2026. O Kimi K3 entra na lista esta semana, agora que os seus pesos são genuinamente descarregáveis, e os laboratórios chineses ocupam os quatro primeiros lugares. Mais um modelo chegou depois de esta classificação estar montada, e o Inkling da Thinking Machines tem a sua própria secção mais abaixo em vez de um lugar entre os nove.

Os melhores modelos de IA open source, classificados

Aqui está cada escolha em detalhe, por ordem, com aquilo em que é genuinamente melhor, os benchmarks que lhe garantiram o lugar, e a licença que realmente recebe. Começamos pelo melhor todo-o-terreno e descemos até ao mais eficiente.

1. Kimi K3, o modelo open source mais capaz

O Kimi K3 da Moonshot AI é o novo topo do campo aberto, e só se tornou um descarregamento a 27 de julho de 2026. O cartão do modelo da Moonshot descreve um design Mixture-of-Experts de 2,8 biliões de parâmetros que ativa 104 mil milhões de parâmetros por token, trata nativamente texto, imagem e vídeo, e traz uma janela de contexto de 1 milhão de tokens. A Moonshot chama-lhe o primeiro modelo aberto de classe 3B do mundo, e é o primeiro modelo livremente descarregável a ficar a quatro pontos do melhor modelo fechado no Artificial Analysis Intelligence Index.

As tabelas independentes confirmam isso. A Artificial Analysis dá ao K3 57 no seu Intelligence Index, à frente de todos os outros modelos de open weights que acompanha e atrás apenas de variantes do Claude e do GPT, com o GLM 5.2 logo a seguir a 51. Na tabela WebDev da Arena está em segundo lugar geral com 1.682, atrás apenas do Claude Opus 5 e acima de qualquer concorrente aberto. A própria tabela da Moonshot acrescenta 88,3 no Terminal-Bench 2.1 e 81,2 no FrontierSWE, e esses dois são números do próprio fabricante, não independentes.

Duas coisas a saber antes de planear em torno dele. Os pesos são distribuídos sob a própria Licença Kimi K3 da Moonshot, que é permissiva para quase toda a gente. Só morde se revender acesso ao modelo acima de $20 milhões em receita, o que precisa de um acordo separado, ou ultrapassar 100 milhões de utilizadores mensais, o que precisa de créditos «Kimi K3» em destaque. A outra ressalva é o hardware, porque 2,8 biliões de parâmetros chegam em 96 fragmentos de pesos, por isso este é um modelo de servidor e não de portátil. A nossa análise do Kimi K3 tem a tabela de benchmarks completa.

2. GLM 5.2, o melhor modelo open source para a maioria das pessoas

O GLM 5.2 era o modelo aberto a bater até os pesos do K3 chegarem. Continua a ser o que a maioria das equipas deve realmente correr, embora já não seja o modelo mais recente descarregável na família GLM da Zhipu nem o seu porta-estandarte absoluto. Lançado a 13 de junho de 2026, usa um design Mixture-of-Experts de 744 mil milhões de parâmetros que ativa apenas 40 mil milhões de parâmetros por token, associado a uma janela de contexto completa de 1 milhão de tokens e uma licença MIT limpa. O seu sucessor GLM 5.3 chegou a 14 de agosto de 2026 sem pesos públicos, e o GLM 5.3 Flash seguiu-se a 26 de agosto com pesos MIT mas apenas 320B de parâmetros, por isso o 5.2 mantém este lugar pela escala e pelo historial, e o GLM 5.5 é dado como provável para mais tarde em 2026.

Os benchmarks são o que o colocam no topo. O GLM 5.2 pontua 62,1 no SWE-bench Pro, chega a 81,0 no Terminal-Bench 2.1, e atinge 74,4% no FrontierSWE. Esse valor no SWE-bench Pro fica logo atrás do mais recente GPT-5.6 da OpenAI (64,6) e do Claude Opus 4.8 (69,2), por isso não é bem a fronteira absoluta, mas nenhum outro modelo livremente descarregável chega tão perto. O quadro completo está na nossa análise aprofundada do GLM 5.2.

3. DeepSeek V4, o melhor para poder bruto e contexto longo

O DeepSeek V4 é o peso-pesado. O porta-estandarte V4-Pro traz 1,6 biliões de parâmetros totais com 49 mil milhões ativos, construído de raiz em torno de uma janela de contexto nativa de 1 milhão de tokens. O LongCat-2.0, recém-lançado em open source pela Meituan, fica na mesma classe de 1,6 biliões e 1 milhão de tokens, mas é construído especificamente para programação agêntica. Um V4-Flash mais pequeno (284B totais, 13B ativos) cobre cargas mais leves.

Nos benchmarks é brutal. O DeepSeek V4-Pro obtém 80,6 no SWE-Bench Verified, um notável 93,5 no LiveCodeBench, uma classificação Codeforces de 3.206, e 90,1 no GPQA Diamond. Se o seu trabalho envolve documentos ou bases de código enormes e tiver o hardware, ou um alojamento, para o correr, este é o modelo aberto mais capaz disponível. Leia a análise completa do DeepSeek V4 para a tabela de benchmarks completa.

4. Kimi K2.7 Code, o melhor para programação agêntica com menos hardware

O K3 é o porta-estandarte, mas o Kimi K2.7 Code é o Kimi que a maioria das equipas consegue realmente implementar, porque tem um quinto do tamanho do K3. É um modelo de 1 bilião de parâmetros que ativa 32 mil milhões por token, com uma janela de contexto de 256K tokens sob uma licença MIT Modificada, lançado a 12 de junho de 2026 e construído especificamente para agentes que escrevem, correm e depuram ao longo de muitos passos. O K3 lançou-se como API alojada a 16 de julho de 2026 e só se tornou descarregável onze dias depois. Pode ver quanto custa a API alojada do K3 no nosso guia de preços do Kimi.

Uma ressalva honesta. Todas as pontuações que a Moonshot publicou, incluindo um 62,0 no seu próprio Kimi Code Bench v2 e 81,1 no MCP Mark Verified, vêm de benchmarks internos. Ainda não há números independentes de SWE-bench Verified para o K2.7 Code, por isso trate os valores como promissores, não comprovados. A nossa análise do Kimi K2.7 Code tem os detalhes e sinaliza os dados em falta.

5. Qwen 3.6, o mais multilingue e mais versátil

O Qwen 3.6 da Alibaba é o canivete suíço dos open weights. Lançado em abril de 2026, as suas variantes abertas (o eficiente 35B-A3B e um modelo denso de 27B) tratam mais de 100 idiomas, são distribuídas sob uma licença Apache 2.0 limpa, e correm agora uma janela de contexto de 1 milhão de tokens. A família mais alargada vai desde modelos de ponta com menos de 1B até ao porta-estandarte 397B-A17B herdado do Qwen 3.5, por isso pode ajustar o tamanho ao seu hardware. A Alibaba já avançou para um patamar superior com o Qwen 3.8, um porta-estandarte multimodal de 2,4 biliões de parâmetros pré-visualizado em julho de 2026.

O Qwen 3.6 destaca-se em programação agêntica e visão, algo raro para um modelo que pode correr por conta própria, e aguenta-se bem contra modelos fechados muito maiores nos benchmarks de terminal. Uma coisa a saber, o mais recente porta-estandarte da Alibaba, o Qwen 3.7 Max (maio de 2026), é ainda mais capaz, mas é só de API e de pesos fechados, por isso fica fora desta classificação open source. Para um único modelo aberto que faz um pouco de tudo em várias línguas, o Qwen 3.6 é a aposta mais segura.

6. Llama 5, o modelo aberto de fronteira ocidental da Meta

O Llama 5 da Meta, lançado a 8 de abril de 2026, é o modelo de open weights ocidental mais capaz e o que tem mais probabilidade de ser suportado em todo o lado desde o primeiro dia. Traz 600 mil milhões de parâmetros e uma janela de contexto de 5 milhões de tokens, a mais longa em qualquer modelo de fronteira atual, aberto ou fechado, e é nativamente multimodal.

Em capacidade, iguala ou supera o GPT-5 e o Gemini 3 em raciocínio, programação e matemática, o que nenhum Llama anterior conseguiu. O senão é a licença. A Llama Community License permite uso comercial mas exige atribuição «Built with Llama», e empresas com mais de 700 milhões de utilizadores mensais têm de negociar em separado. Para todos os outros, o Llama 5 é a escolha ocidental mais segura e mais bem suportada quando quer capacidade de fronteira com uma janela de contexto enorme. Entretanto a Meta dividiu a sua estratégia na fronteira, o seu mais recente Muse Spark 1.1 é o primeiro modelo pago e fechado da empresa, por isso o Llama 5 continua a ser o seu lançamento de open weights de referência.

7. Gemma 4, o melhor modelo leve para uso local

Se quer correr IA na sua própria máquina, o Gemma 4 da Google DeepMind é a resposta. A família vai desde modelos minúsculos de ponta (E2B, E4B) até um porta-estandarte 31B dense e uma variante MoE de 26B, todos sob Apache 2.0, lançados a 2 de abril de 2026.

Apesar do peso reduzido, dá luta a sério. O Gemma 4 31B pontua 85,2% no MMLU-Pro, 89,2% no AIME 2026, e 80,0% no LiveCodeBench v6, enquanto o patamar de 12B corre confortavelmente num portátil moderno. É o melhor ponto de entrada se for novo em IA local, e o cartão oficial do modelo Gemma 4 da Google lista as especificações exatas de cada tamanho. Para utilizadores de Mac especificamente, o nosso guia dos melhores modelos de IA open source para Mac M5 cobre os requisitos exatos de memória.

8. Nex-N2-Pro, o melhor modelo agêntico totalmente permissivo

O Nex-N2-Pro da Nex AGI ganha o seu lugar pela liberdade da licença aliada a capacidade genuína. É um modelo MoE de 397 mil milhões de parâmetros (17B ativos) com 262K de contexto, distribuído sob a licença totalmente permissiva Apache 2.0 e construído especificamente para trabalho agêntico como chamadas a ferramentas e tarefas longas de vários passos.

Pontua 80,8 no SWE-Bench Verified e 75,3 no Terminal-Bench 2.1, colocando-se mesmo ao lado dos nomes maiores enquanto não carrega restrições comerciais nenhumas. Veja a nossa análise do Nex-N2-Pro para perceber como se compara aos principais modelos fechados.

9. MiniMax M3, o melhor para eficiência

O MiniMax M3 fecha a lista para quem está atento ao custo do hardware. Lançado a 1 de junho de 2026, corre 428 mil milhões de parâmetros totais com apenas 23 mil milhões ativos, e o seu design MiniMax Sparse Attention descodifica cerca de 15x mais depressa a contexto total do que o M2. Pontua 59,0% no SWE-Bench Pro, um resultado forte para um modelo desta eficiência, e junta isso a um contexto completo de 1 milhão de tokens e multimodalidade nativa.

A licença mudou com este lançamento. O M3 é distribuído sob a MiniMax Community License, gratuita para alojamento próprio mas a pedir a utilizadores comerciais maiores que combinem um acordo separado, um passo atrás face aos termos MIT Modificada das versões anteriores. Continua a ser uma escolha inteligente quando quer programação próxima da fronteira num orçamento de hardware mais magro. A nossa análise do modelo MiniMax cobre a linhagem e as ressalvas de benchmark.

Inkling, o modelo de open weights mais forte dos EUA

O Inkling é o primeiro modelo da Thinking Machines, o laboratório fundado pela antiga CTO da OpenAI Mira Murati, e chegou a 15 de julho de 2026. É um transformador Mixture-of-Experts com 975 mil milhões de parâmetros totais e 41 mil milhões ativos por token, uma janela de contexto até 1 milhão de tokens, e raciocínio nativo sobre texto, imagem e áudio. Os pesos são distribuídos sob uma simples licença Apache 2.0, o que o coloca no patamar mais permissivo desta página, ao lado do Qwen 3.6, do Gemma 4 e do Nex-N2-Pro.

O número em destaque é nacional, não global. O Inkling estreia-se com 41 no Artificial Analysis Intelligence Index, o que o torna o lançamento de open weights líder de um laboratório dos EUA, à frente do Nemotron 3 Ultra com 38, do Gemma 4 31B com 29 e do gpt-oss-120b com 24. Continua 16 pontos atrás do Kimi K3, por isso a história aqui é que o melhor modelo aberto americano apanhou o campo americano, não a China. No seu próprio boletim, o Inkling pontua 77,6% no SWE-bench Verified e 73,5% no MMMU Pro.

Onde genuinamente lidera é em eficiência e trabalho agêntico. O Inkling gasta em média cerca de 25.000 tokens de saída por tarefa do Intelligence Index, contra 43.000 do GLM-5.2 em raciocínio máximo, 38.000 do Kimi K2.6 e 37.000 do DeepSeek v4 Pro em máximo, o que é uma diferença de custo real quando paga por token. A Artificial Analysis também lhe dá um Elo de 1.238 no benchmark agêntico GDPval-AA v2, à frente do Kimi K2.6 com 1.190 e do DeepSeek v4 Flash max com 1.189.

O lançamento mais interessante é o pequeno. O Inkling-Small disponibilizou os pesos completos a 30 de julho de 2026 com 276 mil milhões de parâmetros totais e 12 mil milhões ativos, menos de um terço do modelo principal, e pontua 40 no Intelligence Index, a um único ponto do porta-estandarte. Chega mesmo a bater o modelo maior no Humanity's Last Exam (32% contra 30%) e no GPQA Diamond (89% contra 87%), trocando isso por memória factual mais fraca. Se quer raciocínio próximo da fronteira em hardware que consiga realmente alugar, o Inkling-Small é a metade mais prática deste par.

Deixámos o Inkling fora da classificação numerada acima em vez de reorganizar nove entradas com base numa única leitura de tabela. Só pelo Intelligence Index ficaria acima do Gemma 4 e do MiniMax M3, em liberdade de licença iguala o melhor desta página, e em capacidade bruta fica bem atrás dos quatro primeiros chineses. Trate-o como a escolha por defeito quando quer especificamente um modelo construído nos EUA com uma licença totalmente permissiva, e vigie se os testes independentes confirmam estes números. O Hy4 Preview de 770B da Tencent chegou sob Apache 2.0 a 28 de agosto de 2026 e está aqui listado em vez de classificado, já que nenhuma tabela independente o avaliou ainda.

Como escolhemos estes modelos de IA open source

Classificámos com base em quatro fatores, por ordem. Desempenho de benchmark em testes atuais e amplamente citados (SWE-Bench Verified, GPQA Diamond, MMLU-Pro, LiveCodeBench). Atualidade, todos os modelos aqui foram lançados ou atualizados em 2026. Liberdade da licença, com uma preferência clara por MIT e Apache 2.0 face a licenças comunitárias personalizadas. E acessibilidade, porque um modelo que não consegue realmente correr não lhe serve de nada. O nosso guia dos benchmarks de IA explica o que cada um desses testes mede de facto.

Também ponderámos a verificação independente. Onde as pontuações vêm apenas do laboratório que construiu o modelo, como no Kimi K2.7 Code e em partes da tabela K3 da Moonshot, dizemo-lo. Os benchmarks autorreportados são um problema real na IA open source atualmente, e deve descontá-los até terceiros confirmarem os números.

Não precisa de uma quinta de GPU para usar estes modelos

O maior mito sobre a IA open source é que corrê-la exige hardware de nível servidor. Depende inteiramente do modelo. Os gigantes de biliões de parâmetros, como o DeepSeek V4, precisam mesmo de configurações multi-GPU para inferência a precisão total, mas há muitos modelos abertos fortes que correm em hardware de consumidor.

O Gemma 4 12B e os patamares mais pequenos do Qwen 3.6 correm num portátil moderno usando ferramentas como o Ollama ou o LM Studio, e pode ir buscar os pesos diretamente à Hugging Face. E se quiser os maiores modelos sem possuir hardware nenhum, uma aplicação como a Fello AI encaminha os principais modelos diretamente para o seu Mac ou iPhone, sem instalação local nenhuma. Correr um modelo por conta própria também evita por completo as quebras dos fornecedores, uma preocupação real dadas as repetidas quebras do Claude em 2026. Vale a pena vigiar três sistemas mais recentes, mesmo não estando classificados aqui. O Seed 2.1 Pro da ByteDance é uma pré-visualização ainda não lançada que acabou de chegar ao #8 na Code Arena: Frontend. O Fugu da Sakana AI orquestra um conjunto de outros modelos em vez de competir como um único conjunto de pesos. A sua mais recente atualização Fugu-Ultra v1.1 alarga essa vantagem em programação e benchmarks de terminal. As versões quantizadas também reduzem drasticamente as necessidades de memória, muitas vezes com custo mínimo de qualidade.

O Muse Glimmer da Meta, lançado a 10 de agosto de 2026 sob uma
licença Apache 2.0 totalmente permissiva, é a opção nova mais interessante para quem
corre modelos na sua própria máquina. É um modelo de 30B (cerca de 29,6 mil milhões de
parâmetros, incluindo um codificador de visão de 1,8B) destilado do Muse Spark fechado da Meta, com uma
janela de contexto de 131K e entrada de imagem. A Meta construiu-o especificamente para agentes que usam
ferramentas e recuperam dos seus próprios erros, em vez de para conversa. A Meta também prometeu pesos abertos para o próprio porta-estandarte fechado, uma promessa que repetiu quando o Muse Spark 1.3 foi lançado a 2 de setembro de 2026, ainda sem data.

O que o torna notável aqui é que a própria Meta o testou em Macs. A sua versão de 4
bits reduz o modelo de linguagem para menos de 20 GB, com a quantização oficial mais pequena
pensada para máquinas de 24 GB. Nos números da própria Meta, corre a 37,8 tokens
por segundo num M4 Max e 50,2 num M5 Max assim que a sua descodificação especulativa DFlash
é ativada. O Ollama disponibiliza uma versão dedicada para Apple Silicon que pode obter com
ollama run muse-glimmer:30b-mlx.

Deixámo-lo fora da classificação acima, por agora, porque o panorama é genuinamente misto. A Meta
reporta que bate claramente o Gemma 4 31B em benchmarks agênticos como o MCP Atlas
(75,5 contra 54,2) e o SWE-Bench Pro (51,2 contra 36,9), mas
perde para o Qwen 3.6 27B no OSWorld-Verified e no Terminal-Bench 2.1. É um forte
modelo de agente local, não uma melhoria direta sobre tudo o resto na sua classe de tamanho.

Se a programação é o seu principal caso de uso, o nosso balanço da melhor IA gratuita para programação compara estes modelos abertos frente a frente em tarefas de desenvolvimento específicas.

Conclusão

O Kimi K3 é agora o modelo de IA open source mais capaz que pode descarregar. Para a maioria das pessoas, o GLM 5.2 continua a ser a melhor escolha, com a combinação mais forte de raciocínio, programação, liberdade de licença, e um contexto de 1 milhão de tokens em hardware que consegue realmente alugar. Se precisar do máximo de poder bruto, escolha o DeepSeek V4. Se quiser correr IA localmente em hardware modesto, comece pelo Gemma 4. Se quiser um modelo construído nos EUA com uma licença Apache 2.0 limpa, o Inkling-Small é o melhor valor nesse canto agora mesmo. E se preferir saltar a configuração por completo, os mesmos modelos abertos de fronteira estão disponíveis através dos melhores modelos de IA em aplicações como a Fello AI.

A distância dos open weights à fronteira fechada é agora de quatro pontos no Artificial Analysis Intelligence Index, pequena o suficiente para «grátis» ser muitas vezes a escolha mais inteligente. Escolha pelo seu caso de uso, verifique a licença, e não vai sentir falta da subscrição. Verifique também os termos de lançamento, porque o GLM 5.3 e os seus pesos por fases mostram que uma linha aberta pode lançar um modelo que não consegue descarregar.

FAQ