Топ-5 лучших открытых локальных моделей LLM

Fri, 11 Sep 2026 03:00:00 +0900

Введение

В последние годы технология больших языковых моделей (LLM) стремительно развивается, и облачные ИИ-сервисы, такие как ChatGPT и Claude, получили широкое распространение. Однако в то же время быстро растет потребность в системах ИИ, которые работают полностью в автономном режиме, из-за таких запросов, как «мы не хотим отправлять конфиденциальные корпоративные данные на внешние серверы», «мы хотим снизить затраты на использование API» и «мы хотим создать полностью автономную ИИ-систему».

Ответом на эти требования являются «локальные LLM (LLM с открытым исходным кодом)», которые можно загрузить и запустить прямо на собственном ПК или локальном сервере. До 2023 года было трудно достичь практической точности в локальных условиях, но благодаря эволюции архитектур моделей и развитию технологий квантования (Quantization), сегодня даже на потребительских графических процессорах (таких как NVIDIA RTX 3090 / 4090 или Apple Silicon для Mac) можно без проблем запускать высокопроизводительные LLM.

В этой статье мы выбрали «Топ-5 лучших моделей» из числа множества LLM с открытым исходным кодом, которые на 2026 год оцениваются как особенно выдающиеся. Мы проведем всестороннее сравнение и объяснение с глубоко технической точки зрения: от особенностей архитектуры каждой модели, количества параметров, требований к памяти при GGUF-квантовании, вплоть до конкретных сценариев использования.

Зачем запускать LLM локально?

Внедрение локальных LLM имеет множество уникальных преимуществ, которых нет у облачных API.

1. Обеспечение полной конфиденциальности и безопасности

При использовании облачного API вводимые промпты и данные отправляются на серверы сторонних компаний. Это представляет серьезный риск при работе с личной информацией или корпоративными конфиденциальными данными. С локальными LLM данные обрабатываются полностью внутри устройства, поэтому риск утечки данных наружу сводится к нулю.

2. Значительное снижение затрат

Коммерческие API (например, OpenAI API) работают по системе оплаты по мере использования, зависящей от количества токенов ввода и вывода. При обработке большого количества документов или постоянной работе чат-бота ежемесячные расходы могут составлять от нескольких десятков тысяч до миллионов иен. С другой стороны, с локальными LLM вы платите только за первоначальные инвестиции в оборудование и электроэнергию, и можете использовать их неограниченное количество раз без ограничений на количество токенов.

3. Возможности кастомизации и автономное использование

LLM с открытым исходным кодом легко дообучать (fine-tuning, например, с помощью LoRA) на собственных наборах данных. Кроме того, их можно запускать в полностью автономных средах без подключения к интернету или в защищенных закрытых сетях, что делает их идеальными для интеграции в периферийные устройства.

Базовые знания для запуска локальных LLM

Прежде чем переходить к обзору моделей, давайте математически разберем «требования к VRAM» и «квантование (Quantization)», которые неизбежно возникают при запуске LLM в локальной среде.

Математические основы VRAM (видеопамяти) и квантования

Для выполнения логического вывода (инференса) LLM на GPU необходимо загрузить параметры (веса) модели в VRAM. Требования к памяти $M$ для модели можно приблизительно оценить по следующей формуле:

$$ M = \frac{P \times B}{8} + C $$

Где:

$M$: Требуемый объем памяти (в ГБ)
$P$: Количество параметров (в миллиардах = 10^9)
$B$: Количество бит на один параметр (16 бит для FP16, 4 бита для 4-битного квантования)
$C$: Окно контекста (КВ-кэш, KV cache) и накладные расходы при инференсе (обычно ожидается от 20% до 30% от размера модели)

Например, при запуске модели с 8 миллиардами параметров (8B) в формате 16-битной памяти с плавающей запятой (FP16):

$$ M_{FP16} = \frac{8 \times 16}{8} = 16 \text{ GB} $$

С учетом КВ-кэша и других затрат потребуется почти 18–20 ГБ VRAM, что делает запуск на обычном игровом ПК весьма сложным.

Появление формата GGUF

Здесь на сцену выходит «квантование (Quantization)». Это технология, которая снижает точность параметров с FP16 до 8-бит, 4-бит или, в крайних случаях, до 2-бит, что позволяет резко сократить объем необходимой памяти, сводя к минимуму ухудшение производительности модели.

В настоящее время самым популярным форматом является GGUF (GPT-Generated Unified Format), разработанный Георгием Гергановым (автором llama.cpp). GGUF — это бинарный формат для эффективного инференса как на CPU, так и на GPU, и он отличается превосходной совместимостью с архитектурой объединенной памяти (Unified Memory) на Mac (Apple Silicon).

При квантовании модели 8B в 4-битный формат (например, Q4_K_M) расчет памяти выглядит следующим образом:

$$ M_{4bit} = \frac{8 \times 4.5}{8} = 4.5 \text{ GB} $$

※ Поскольку Q4_K_M сохраняет более высокую точность для некоторых весов, эффективное количество бит составляет примерно 4.5 бита.

Благодаря этому даже на видеокартах начального уровня с 8 ГБ VRAM или на обычных ноутбуках можно без проблем запускать мощные локальные LLM класса 8B.

Топ-5 рекомендуемых локальных моделей LLM

А теперь давайте познакомимся с 5 моделями LLM с открытым исходным кодом, которые в настоящее время пользуются наибольшей поддержкой разработчиков и ИИ-исследователей по всему миру.

1. Llama 3 (Meta)

Серия «Llama 3», разработанная компанией Meta, стала де-факто стандартом среди LLM с открытым исходным кодом.

Эволюция архитектуры и особенности

Хотя Llama 3 использует стандартную архитектуру Transformer, по сравнению с предыдущим поколением (Llama 2) в нее было внесено множество технических улучшений. Особо стоит отметить следующие моменты:

Стандартное использование GQA (Grouped Query Attention): GQA, который применялся только в крупных моделях Llama 2, теперь используется и в небольших моделях, таких как 8B в Llama 3. Это резко снижает потребление памяти КВ-кэшем и позволяет осуществлять быстрый инференс даже с длинным контекстом.
Увеличение размера словаря: Размер словаря токенизатора (на основе Tiktoken) был расширен до 128 000 токенов, что кардинально повысило эффективность сжатия для множества языков и программного кода. Эффективность обработки японского языка также улучшилась в несколько раз по сравнению с Llama 2.

graph TD A["Входные токены"] --> B["Слой встраивания (словарь 128k)"] B --> C["Блок Transformer x N"] C --> D["RMSNorm"] C --> E["Grouped Query Attention (GQA)"] C --> F["SwiGLU FFN"] D -.-> E D -.-> F E --> G["Add & Norm"] F --> G G --> H["Выходные логиты"]

Размер параметров и сценарии использования

Llama 3 8B: 8 миллиардов параметров. Работает примерно с 5 ГБ памяти при 4-битном квантовании. Обладает очень быстрыми ответами и идеально подходит в качестве персонального помощника на ПК или ядра для локальных систем RAG (Retrieval-Augmented Generation).
Llama 3 70B: 70 миллиардов параметров. При 4-битном квантовании требуется около 40 ГБ VRAM (или объединенной памяти Apple Silicon). Обладает производительностью, вплотную приближающейся к облачному GPT-4, и демонстрирует отличные результаты в сложных рассуждениях, комплексном программировании и анализе данных.

Llama 3 имеет самую мощную поддержку сообщества, и её сильной стороной является то, что любые форматы квантования, такие как GGUF, AWQ, EXL2, доступны немедленно.

2. Mistral / Mixtral (Mistral AI)

Модели, представленные французским ИИ-стартапом «Mistral AI», шокировали индустрию своей эффективностью и меняющей парадигму архитектурой.

Механизм MoE (Mixture of Experts)

«Mixtral 8x7B» стала первой LLM с открытым исходным кодом, которая полноценно внедрила архитектуру MoE (Mixture of Experts) и добилась огромного успеха. MoE — это механизм, при котором вся модель (около 47 миллиардов параметров) содержит 8 «экспертных (Expert) сетей», и для каждого вводимого токена динамически выбираются (маршрутизируются) только 2 наиболее подходящих эксперта.

graph LR A["Входной токен"] --> B["Маршрутизатор / Шлюзовая сеть"] B --> C["Эксперт 1 (Активен)"] B --> D["Эксперт 2 (Неактивен)"] B --> E["Эксперт 3 (Активен)"] B --> F["... Эксперт 8"] C --> G["Взвешенная сумма"] E --> G G --> H["Следующий слой"]

Главным преимуществом этой архитектуры является то, что «несмотря на огромное количество параметров, количество вычисляемых параметров при инференсе (Active Parameters) невелико». В случае Mixtral 8x7B во время инференса активны параметры, эквивалентные всего 13B. Это позволяет значительно увеличить скорость инференса, сохраняя высокую производительность класса 70B.

Производительность и сценарии использования

Mistral 7B / Mistral Nemo (12B): Единая плотная (Dense) модель. Будучи очень легковесной, она свободно доступна для коммерческого использования по лицензии Apache 2.0. В задачах кодирования и обобщения она показывает результаты тестов (бенчмарки), превосходящие другие модели того же размера.
Mixtral 8x7B / 8x22B: Продвинутые модели MoE. Требования к VRAM высоки (поскольку вся модель должна находиться в памяти, для 4-битной 8x7B требуется около 26 ГБ), но скорость инференса высока, что делает их очень подходящими для создания локальных серверов в средах Mac, таких как M2/M3 Max.

3. Gemma 2 (Google)

Серия «Gemma» — это открытые модели, разработанные Google с использованием технологий их самой передовой модели «Gemini». Gemma 2, как её второе поколение, привнесла значительные изменения в архитектуру.

Уникальный дизайн архитектуры

Gemma 2 применяет несколько уникальных проектных решений, отличающих её от других LLM.

Logit Soft-capping: Технология предотвращения генерации аномально больших значений логитов, повышающая стабильность обучения и инференса.
Гибрид Sliding Window Attention (SWA) и Local Attention: Вместо выполнения полного внимания (full attention) на всех слоях, слои, рассматривающие только локальный контекст, чередуются со слоями, рассматривающими контекст целиком.

Снижение вычислительных затрат в SWA математически выражается следующим образом. В отличие от вычислительной сложности обычного Self-Attention $O(N^2)$, сложность SWA с окном размера $W$ составляет:

$$ \text{Complexity}_{SWA} = O(N \times W) $$

Где $N$ — длина последовательности, а $W$ — фиксированный размер окна. Чем больше $N$ (чем длиннее вводимый текст), тем значительнее эффект экономии вычислительных ресурсов за счет SWA.

Производительность и сценарии использования

Gemma 2 2B / 9B: Модель 2B, работающая даже в средах с крайне ограниченными ресурсами, таких как смартфоны и Raspberry Pi, и модель 9B для обычных ПК. Модель 9B, в частности, во многих задачах превосходит результаты тестов Llama 3 8B и в настоящее время является одной из самых мощных моделей размером до 10B.
Gemma 2 27B: 27 миллиардов параметров. Её особенность — «идеальный размер», который точно умещается в 24 ГБ VRAM (например, RTX 3090 / 4090) при 4-битном или 6-битном квантовании. Она сильна в программировании и выполнении сложных инструкций, и пользуется огромной популярностью среди энтузиастов.

4. Qwen 2.5 (Alibaba Cloud)

Серия Qwen, разрабатываемая Alibaba Cloud, представляет собой модели мирового класса по производительности, особенно в области многоязычной обработки, кодирования и математических рассуждений.

Многоязычная поддержка и возможности кодирования

Qwen 2.5 была предварительно обучена на огромном многоязычном корпусе и получила очень высокие оценки за естественный вывод на множестве языков, включая английский и китайский. Существует также модель «Qwen 2.5 Coder», специализирующаяся на программировании, которую всё чаще используют в качестве локальной альтернативы GitHub Copilot путём интеграции с расширениями VSCode (например, Continue).

Архитектура и сценарии использования

Tie Word Embeddings: Применяется механизм совместного использования (связывания - Tie) весов слоя встраивания ввода (Embedding) и выходного слоя, что позволяет экономить количество параметров и при этом эффективно обучаться.
Расширение RoPE (Rotary Position Embedding): Поддерживает гигантское окно контекста до 128K токенов, что позволяет локально читать огромные PDF-файлы или полностью анализировать исходный код из десятков тысяч строк.

Размеры моделей варьируются очень детально: 0.5B, 1.5B, 3B, 7B, 14B, 32B, 72B. Возможность выбрать размер на самом пределе аппаратных возможностей (объема VRAM) вашего ПК является одним из привлекательных аспектов Qwen.

5. Phi-3 / Phi-3.5 (Microsoft)

Серия Phi родилась из парадигмы Microsoft «Textbook is all you need» (Учебник — это всё, что вам нужно).

Революция SLM (Малых языковых моделей)

В то время как последние разработки LLM в основном фокусировались на подходе «чем больше параметров и данных, тем лучше», Microsoft доказала, что «если довести качество данных, подаваемых в модель (высококачественные учебные или синтетические данные), до максимума, даже небольшое количество параметров может обеспечить уровень интеллекта класса GPT-3.5». Phi-3 называется не LLM (Large Language Model), а SLM (Small Language Model).

graph TD A["Сырые веб-данные"] --> B["Фильтрация и очистка"] B --> C["LLM (например, GPT-4) генерирует синтетические данные"] C --> D["Высококачественные данные, похожие на учебники"] D --> E["Предварительное обучение модели Phi-3"] E --> F["Малая модель с высокой способностью к рассуждениям"]

Производительность и сценарии использования

Phi-3 Mini (3.8B): Модель, разработанная для нативной работы на смартфонах (с использованием ONNX Runtime и т. д.). Несмотря на наличие чуть менее 4B параметров, её способность к рассуждениям и логическому мышлению поразительно высока, а простые задачи ответов на вопросы и форматирования текста выполняются мгновенно.
Phi-3.5 Vision / MoE: Также выпущены модели Vision, способные распознавать изображения, и версия MoE.

Для реализации локального ИИ на периферийных устройствах, интеграции в мобильные приложения или использования в качестве сверхлегкого агента, постоянно работающего в фоновом режиме, серия Phi-3 не имеет себе равных.

Техническое сравнение моделей и бенчмарки

Теперь давайте сравним «требования к VRAM» и «скорость инференса» для представленных моделей при их запуске локально с количественной точки зрения.

Взаимосвязь между количеством параметров и требованиями к VRAM (при 4-битном квантовании GGUF)

На следующем графике показана примерная VRAM, необходимая во время инференса (включая накладные расходы на КВ-кэш), в зависимости от количества параметров каждой модели.

xychart-beta title "Количество параметров и необходимая VRAM (при 4-битном квантовании)" x-axis "Название модели" ["Phi-3 Mini (3.8B)", "Llama 3 (8B)", "Gemma 2 (9B)", "Mixtral (8x7B)", "Qwen 2.5 (32B)", "Llama 3 (70B)"] y-axis "Необходимая VRAM (ГБ)" 0 --> 45 bar [3.5, 6.0, 6.5, 26.0, 22.0, 40.0]

※ Поскольку Mixtral 8x7B имеет большое общее количество параметров, она потребляет много VRAM, но поскольку сами вычисления легкие, нагрузка на вычислительные ресурсы GPU (ядра CUDA и т.д.) остается низкой.

Теоретический расчет скорости инференса (Токенов/сек)

Скорость инференса локальных LLM сильно зависит от «пропускной способности памяти» (Memory Bandwidth) GPU. Это связано с тем, что на этапе генерации (декодирования) необходимо считывать все веса модели из памяти для генерации каждого токена. Процесс ограничен не вычислениями (Compute-bound), а памятью (Memory-bound).

Теоретическая максимальная скорость инференса $T$ (Токенов/сек) рассчитывается по следующей формуле:

$$ T = \frac{\text{BW}}{M_{\text{weights}}} $$

Где:

$\text{BW}$: Эффективная пропускная способность памяти GPU (ГБ/с)
$M_{\text{weights}}$: Размер загруженной модели (ГБ)

Например, рассчитаем случай запуска 4-битной версии Llama 3 8B (около 4.5 ГБ) на NVIDIA RTX 4090 (пропускная способность памяти 1 008 ГБ/с). Если предположить, что эффективная пропускная способность составляет около 80% от теоретического значения (около 800 ГБ/с):

$$ T \approx \frac{800}{4.5} \approx 177 \text{ Токенов/сек} $$

Это бешеная скорость, значительно превышающая скорость чтения человеком. С другой стороны, если запустить Llama 3 70B (4-битная версия около 40 ГБ, ※ предполагается разделение на 2 GPU и т. д.) на том же RTX 4090, скорость генерации токенов составит примерно 20 Токенов/сек. Таким образом, можно заранее с помощью формулы предсказать, «с какой скоростью будет выводиться текст», исходя из спецификаций вашего ПК.

Инструменты для запуска локальных LLM

В настоящее время также очень развита программная экосистема для запуска этих мощных LLM с открытым исходным кодом в локальной среде. Мы представим 3 типичных инструмента.

1. Ollama

В настоящее время это самый простой и популярный инструмент. Подобно Docker, он загружает и запускает модели одной командой. Поддерживает Mac, Windows и Linux. Просто откройте терминал и введите следующую команду, чтобы запустить Llama 3:

1

ollama run llama3

Кроме того, поскольку Ollama работает в фоновом режиме как REST API-сервер, её чрезвычайно легко интегрировать со скриптами Python или внешними приложениями.

2. LM Studio

Это рекомендуемое приложение для тех, кто хочет интуитивно понятного управления с помощью графического интерфейса (GUI). Вы можете искать и загружать из огромного списка моделей GGUF на Hugging Face прямо из приложения и наслаждаться общением на экране чата, похожем на ChatGPT. Функция визуального информирования о том, какие модели поместятся в RAM/VRAM вашего ПК, очень удобна.

3. llama.cpp

Это библиотека на C/C++, которая положила начало буму локальных LLM и является основой для всего. Она предназначена для инженеров, желающих настроить производительность до максимума, или хакеров, которые хотят интегрировать её в свои собственные скрипты. Она выжимает максимум из потенциала любого оборудования, от Apple Metal, NVIDIA CUDA, AMD ROCm до наборов инструкций Intel AVX.

Заключение и перспективы на будущее

В этой статье мы представили 5 лучших открытых и локальных LLM по состоянию на 2026 год, а также объяснили их архитектуру и технические основы. Подводя итог выбору по целям:

Если важен общий баланс и экосистема: Llama 3 (8B / 70B)
Если нужен быстрый инференс в средах с большим объемом объединенной памяти, таких как Mac: Mixtral 8x7B
Если хочется выжать максимум интеллекта из VRAM класса 24 ГБ: Gemma 2 27B или Qwen 2.5 32B
Если цель — естественный вывод на разных языках и продвинутая помощь в программировании: Qwen 2.5
Для сверхлегкой фоновой обработки, работы на смартфонах или слабых ПК: Phi-3 / Phi-3.5

Скорость эволюции LLM с открытым исходным кодом поражает: каждые несколько месяцев объявляются о прорывах, которые переворачивают прежний здравый смысл. В будущем, благодаря дальнейшему совершенствованию технологий квантования и появлению новых архитектур, может наступить день, когда локальные среды превзойдут облачный ИИ. Обязательно загрузите оптимальную модель для вашей аппаратной среды и испытайте невероятную свободу и возможности локального ИИ.

Gemma on kenji.blog

Топ-5 лучших открытых локальных моделей LLM

Введение

Зачем запускать LLM локально?

1. Обеспечение полной конфиденциальности и безопасности

2. Значительное снижение затрат

3. Возможности кастомизации и автономное использование

Базовые знания для запуска локальных LLM

Математические основы VRAM (видеопамяти) и квантования

Появление формата GGUF

Топ-5 рекомендуемых локальных моделей LLM

1. Llama 3 (Meta)

Эволюция архитектуры и особенности

Размер параметров и сценарии использования

2. Mistral / Mixtral (Mistral AI)

Механизм MoE (Mixture of Experts)

Производительность и сценарии использования

3. Gemma 2 (Google)

Уникальный дизайн архитектуры

Производительность и сценарии использования

4. Qwen 2.5 (Alibaba Cloud)

Многоязычная поддержка и возможности кодирования

Архитектура и сценарии использования

5. Phi-3 / Phi-3.5 (Microsoft)

Революция SLM (Малых языковых моделей)

Производительность и сценарии использования

Техническое сравнение моделей и бенчмарки

Взаимосвязь между количеством параметров и требованиями к VRAM (при 4-битном квантовании GGUF)

Теоретический расчет скорости инференса (Токенов/сек)

Инструменты для запуска локальных LLM

1. Ollama

2. LM Studio

3. llama.cpp

Заключение и перспективы на будущее