Fireworks đánh giá 9 mô hình LLM mã nguồn mở tốt nhất 2026: GLM 5.2 và Kimi K3 dẫn đầu

Với việc các LLM mã nguồn mở mới liên tục ra mắt, việc xác định mô hình nào thực sự phù hợp với nhu cầu sử dụng của bạn đã trở thành một nỗ lực riêng biệt.

Bối cảnh mô hình mã nguồn mở đang thay đổi nhanh chóng trong năm 2026. GLM 5.2, Kimi K3 (được Kimi mô tả là mã nguồn mở, mặc dù trọng số đầy đủ vẫn đang chờ công bố, dự kiến phát hành vào ngày 27 tháng 7 năm 2026), Kimi K2.7 Code, MiniMax M3 và DeepSeek-V4-Pro đều đã ra mắt trong khoảng thời gian từ tháng 4 đến tháng 7, và một vài trong số đó hiện có điểm số benchmark tiệm cận các mô hình tiên phong với chi phí vận hành chỉ bằng một phần nhỏ.

Mô hình phù hợp phụ thuộc vào bốn ràng buộc: chất lượng benchmark, cửa sổ ngữ cảnh (context window), hỗ trợ đa phương thức (modality) và các điều khoản cấp phép. Một mô hình dẫn đầu về chất lượng tổng hợp nhưng thiếu khả năng nhập hình ảnh sẽ thua kém một mô hình yếu hơn khi ảnh chụp màn hình hoặc tài liệu trực quan là một phần của sản phẩm. Một mô hình có kiến trúc MoE hàng nghìn tỷ tham số và cửa sổ ngữ cảnh 1.040k-token là lựa chọn mặc định sai lầm cho lộ trình trích xuất dữ liệu lưu lượng cao, nơi một mô hình nhỏ hơn, nhanh hơn có thể hoàn thành công việc với chi phí thấp hơn.

Tóm tắt (TL;DR)

Bảng dưới đây bao gồm các mô hình cho suy luận tổng quát, lập trình, đa phương thức, ngữ cảnh dài và khối lượng công việc lưu lượng cao.

Kimi K3 có điểm số Artificial Analysis Intelligence Index và Coding Index cao nhất trong số chín mô hình được đánh giá ở đây. Trọng số và giấy phép của nó vẫn đang chờ công bố.

GLM 5.2 dẫn đầu cả hai chỉ số trong số các mô hình mở có sẵn trên Fireworks. Các mô hình khác vẫn giữ được tính cạnh tranh khi các yếu tố về phương thức, cửa sổ ngữ cảnh, cấp phép hoặc chi phí vận hành trở thành ràng buộc.

Hãy sử dụng các bảng benchmark để thu hẹp phạm vi lựa chọn, sau đó chạy đánh giá ở cấp độ tác vụ trước khi quyết định lộ trình triển khai thực tế.

Tổng quan về các LLM mã nguồn mở tốt nhất

Điều gì tạo nên một LLM mã nguồn mở tuyệt vời?

Kiến trúc giúp thu hẹp tập hợp đánh giá. Một mô hình MoE hàng nghìn tỷ tham số có thể định tuyến mỗi token thông qua một tập hợp con hoạt động nhỏ hơn, nhưng số lượng tham số không quyết định chi phí vận hành hay độ trễ. Hãy đo lường cả hai yếu tố này trên lộ trình và khối lượng công việc mà bạn dự định sử dụng.

Kích thước cửa sổ ngữ cảnh chỉ có giá trị khi mô hình duy trì được sự mạch lạc ở độ dài lớn. Cửa sổ ngữ cảnh lớp triệu token rất hữu ích cho các cơ sở mã nguồn, bộ sưu tập tài liệu pháp lý lớn, các tác nhân (agent) cần truy xuất nhiều và quy trình làm việc với tài liệu. Cửa sổ ngữ cảnh triệu token chỉ hữu ích nếu mô hình có thể duy trì sự mạch lạc cho toàn bộ câu lệnh (prompt). Nếu nó mất dấu các hướng dẫn hoặc bằng chứng trước đó ở giữa chừng, bạn sẽ phải trả phí cho ngữ cảnh bổ sung mà không cải thiện được kết quả đầu ra.

Việc cấp phép và quyền truy cập vào trọng số mô hình quyết định liệu bạn có thể sử dụng mô hình đó trong sản xuất hay không. Apache-2.0 và MIT là những giấy phép dễ được hầu hết các nhóm phê duyệt hơn.

Không phải tất cả các giấy phép mô hình "mã nguồn mở" đều dễ dàng sử dụng trong sản xuất như nhau. Các giấy phép như Modified MIT và MiniMax Community license vẫn có thể chấp nhận được, nhưng chúng thường đi kèm với các điều kiện bổ sung, vì vậy cần được xem xét trước khi bạn cam kết sử dụng một mô hình. Qwen3.7 Plus là mô hình đóng trọng số, vì vậy các điều khoản pháp lý và đào tạo cần phải thông qua bộ phận pháp chế trước khi mô hình được đánh giá.

Lựa chọn mô hình không chỉ dựa trên các benchmark. Lộ trình triển khai của bạn (Serverless hoặc chuyên dụng) quyết định mô hình nào phù hợp với các yêu cầu về độ trễ, chi phí và công suất của bạn.

Serverless phù hợp cho các thử nghiệm nhanh và lưu lượng truy cập không ổn định. On-Demand phù hợp với công suất chuyên dụng, mục tiêu độ trễ nghiêm ngặt và khối lượng sản xuất có thể dự đoán được. Nếu bạn liên tục lặp lại các ràng buộc giống nhau trong từng câu lệnh, đó là tín hiệu để thêm bước hậu đào tạo (post-training) vào kế hoạch triển khai.

Cách chúng tôi đánh giá các mô hình này

Khi so sánh các LLM mã nguồn mở này, chúng tôi tập trung vào các yếu tố quyết định trực tiếp nhất đến việc liệu một mô hình có hoạt động hiệu quả với khối lượng công việc thực tế hay không: hiệu suất benchmark, độ dài cửa sổ ngữ cảnh, quyền truy cập giấy phép hoặc trọng số, hỗ trợ đa phương thức và lộ trình vận hành mà bạn dự định chạy trong sản xuất.

So sánh các mô hình này trên các benchmark

Tập hợp benchmark bao gồm trí tuệ tổng quát, suy luận khoa học khó, khả năng lập trình, lập trình khoa học và tốc độ đầu ra. Artificial Analysis Intelligence Index và Coding Index giúp xác định các ứng viên tiềm năng ban đầu. Hãy sử dụng GPQA, HLE và SciCode để tìm ra nơi mô hình bị lỗi khi gặp các câu lệnh khó hơn.

Suy luận và kiến thức

Các benchmark suy luận và kiến thức đo lường những gì

Hiệu suất kỹ thuật phần mềm

Các benchmark kỹ thuật phần mềm đo lường những gì

Những điểm chính cần lưu ý

GLM 5.2

GLM 5.2 là gì?

🚀 Thử nghiệm GLM 5.2 trên Fireworks →

GLM-5.2 là mô hình lập trình chủ lực của Z.ai, một mô hình MoE 743 tỷ tham số với cửa sổ ngữ cảnh 1.040k-token trên Fireworks. Kiến trúc IndexShare của nó tái sử dụng các bộ lập chỉ mục (indexers) trên các lớp chú ý thưa (sparse attention layers) và giảm 2,9 lần số lượng FLOPs trên mỗi token ở ngữ cảnh đầy đủ.

Dòng GLM-5 được xây dựng cho các tác vụ lập trình dài và sử dụng công cụ cần nhiều ngữ cảnh. GLM 5.2 bổ sung cửa sổ ngữ cảnh 1.040k, nỗ lực suy luận linh hoạt và là đánh giá đầu tiên phù hợp cho ngữ cảnh cơ sở mã nguồn, truy xuất đa tài liệu, lập kế hoạch triển khai và các tác nhân gọi công cụ (tool-calling agents).

GLM 5.2 đạt điểm số tổng hợp cao nhất trong số các mô hình hiện có trên Fireworks trong bảng này: 51,1 trên Intelligence Index và 68,8 trên Coding Index.

Ai nên sử dụng GLM 5.2?

Hãy sử dụng GLM 5.2 làm đánh giá mặc định đầu tiên cho các tác vụ suy luận rộng, lập trình, các tác nhân cần truy xuất nhiều và quy trình làm việc với tài liệu. Nó cung cấp cho các nhóm một cơ sở tham chiếu trước khi họ phân chia công việc cho các mô hình chuyên biệt.

GLM 5.2 mạnh nhất khi khối lượng công việc cần cả ngữ cảnh dài và gọi hàm (function calling). Nếu yêu cầu bao gồm hình ảnh, hãy bắt đầu với Kimi K2.7 Code, MiniMax M3 hoặc Qwen3.7 Plus thay thế.

Các tính năng nổi bật

Ưu và nhược điểm

Câu hỏi thường gặp (FAQ)

H: Bạn nên kiểm thử với bao nhiêu ngữ cảnh khi dùng GLM 5.2?

Hãy bắt đầu với câu lệnh dài nhất mà sản phẩm của bạn có thể yêu cầu. Sử dụng một kho lưu trữ (repo) thực tế, tập hợp tài liệu, lịch sử hỗ trợ hoặc dấu vết truy xuất. GLM 5.2 là lựa chọn phù hợp khi nó giữ cho bằng chứng mạch lạc gần cuối của một lần chạy với ngữ cảnh 1.040k.