Die besten Open-Source-LLMs als Ersatz für Claude Opus 5.5 (2026)

Die besten Open-Source-LLMs messen sich inzwischen bei echter Coding-Arbeit mit Claude Opus 5.5 – zu einem Bruchteil des Flaggschiff-Preises. Vor drei Wochen habe ich diese Rangliste mit Stand 24. September veröffentlicht. Seitdem hat die proprietäre Liga die Preise der offenen Liga kopiert: Claude Sonnet 5.5, GPT-6.1 Sol und Gemini 4 Argon liegen alle bei $2/$10 pro Million Tokens, während Claude Haiku 5.5 und GPT-6 Luna bei $0,10/$0,50 laufen. Das offene Feld antwortete mit Step 5 Preview auf Platz 3 der Open-Weights-Modelle und Xiaomi, das MOPD-Checkpoints liefert, die einen echten agentischen Fehlermodus beheben.

Ich lasse diese Modelle laufend gegen die bezahlte Frontier bei echter Coding-Arbeit antreten. Die Lücke ist kleiner, als die Flaggschiff-Preisschilder vermuten lassen, und das Argument für Open Source ist nicht mehr „günstigerer Listenpreis”. Es sind die Kosten pro nützlichem Agent-Run, herunterladbare Weights, Off-Peak-Abrechnung und keine Rate Limits.

Wenn du erst noch den Agenten vor dem Modell wählen musst, starte mit unserem Vergleich der besten AI-Coding-Tools und Agents und komm für die Modell-Shortlist hierher zurück. Für Always-on-Assistants, die ein günstiges Modell im Rücken brauchen, sieh dir unsere Open-Source-Grok-Bot-Alternativen an.

Was sich seit unserem September-2026-Update geändert hat

Drei Wochen sind in diesem Markt eine lange Zeit. Sechs Dinge haben sich bewegt:

Noch eine Korrektur: Fable 5.1 und GPT-6 Astra mit 53 waren früher der höchste veröffentlichte Score auf dem Artificial Analysis Intelligence Index. Nicht mehr. Claude Opus 5.5 (max mit Fallback) steht bei 58.

Warum Open-Source-LLM-Alternativen in Betracht ziehen?

Die Kurzfassung: Das offene Feld hat beim Coding aufgeholt – und das, während es günstig im Betrieb blieb.

Was du bewerten solltest

• Coding: Generieren, debuggen und refactoren in einem echten Repo
• Agentische Arbeit: Tool-Calls, lange mehrstufige Runs, ohne bei Schritt 200 den Faden zu verlieren
• Kontextlänge: Wie viel von einer Codebase in einen einzigen Shot passt
• Kosten pro nützlichem Ergebnis: Nicht nur Listenpreis pro Million Tokens
• Verfügbarkeit der Weights: „Offen” reicht inzwischen von MIT über GLMs $10B-Revenue-MaaS-Klausel bis zu den Umsatzbedingungen der StepFun Model License 1.0. Lies das, bevor du shippst.

Die proprietäre Messlatte: Claude Opus 5.5, Sonnet 5.5, GPT-6.1, Gemini 4

Das ist es, was die offenen Modelle jagen – Stand 16. Oktober 2026.

Drei Betreiber-Anmerkungen zu dieser Tabelle.

Der Opus-5.5-Migrationsschmerz ist real. Adaptive Thinking ist immer an (die Tiefe wird über den Effort-Parameter gesteuert), erzwungene Tool-Nutzung ist gestrichen, und thinking: disabled liefert jetzt einen 400-Fehler. Wenn dein Agent-Stack auf Opus 5 aufgebaut war, lies die Migrationshinweise, bevor du wechselst.

Sonnet 5.5 ist das Modell, das beim Value mit dem offenen Feld konkurriert. AA 56 bei $2/$10 ist 3 Punkte über GPT-6 Astra und kostet dabei ein Fünftel dessen Output-Preises. Wenn du nur „günstig und schlau” willst und dir Weights egal sind, ist das die proprietäre Antwort.

Das Budget-Tier ist nur ein halber Sieg für Proprietäres. Haiku 5.5 bei $0,10/$0,50 mit AA 43 ist beim Input günstiger als GLM-5.3-Flash ($0,15) und punktet höher (43 vs. 42). Aber GPT-6 Luna mit AA 38 liegt unter GLM-5.3-Flash (42), DeepSeek V4.1-Flash (39) und Kimi K3 (44) – zum gleichen Preis. „Proprietär ist jetzt am günstigsten” stimmt also für Haiku und ist für Luna größtenteils falsch.

Ebenfalls im Hinterkopf behalten: Requests der GPT-6-Familie über 272K Input-Tokens werden auf Astra-Niveau mit $20/$75 umgepreist. Langer Kontext ist nirgends umsonst.

1. MiMo-V2.6-Pro: Der neue Open-Weights-Anführer

MiMo-V2.6-Pro ist Xiaomis Flaggschiff vom 22. September und aktuell das Top-Open-Weights-Modell auf dem Artificial Analysis Intelligence Index mit 46 – vor GLM-5.3 (45) und dem Paar Step 5 Preview / Kimi K3 bei 44. Das platziert es über Grok 4.6 und Gemini 3.8 Flash, gleichauf mit Grok 4.7 und etwa zwölf Punkte hinter Opus 5.5s 58. Es ist ein 1.02T Sparse MoE mit 42B aktiv pro Token, MIT-lizenziert und nativ omnimodal: Text, Bild, Video und Audio als Input.

Zwei Details, die ich vom KI-Labor eines Handy-Herstellers nicht erwartet hatte: Sie haben die RL-Trainingsrechnung veröffentlicht (etwa $2,62M für Pro, 30 Steps in unter sechs Tagen und rund 750K Trajectories), und der API-Preis blieb gegenüber V2.5 unverändert bei $0,435/M Input und $0,87/M Output.

Technische Daten

Was heraussticht

Die MOPD-Checkpoints: Nimm diese, nicht das Original-Release

Am 9. Oktober veröffentlichte Xiaomi MiMo-V2.6-Pro-MOPD und MiMo-V2.6-Flash-MOPD unter MIT, plus die rohen RL-Stage-Checkpoints (MiMo-V2.6-Pro-RL, MiMo-V2.6-Flash-RL) und einen 52-seitigen Technical Report (Abschnitt 5.6 behandelt MOPD2). Das MOPD-Upgrade existiert, um genau einen Fehlermodus zu beheben: Tool-Call-Wiederholungen.

Xiaomi beschreibt es in ihrer Tool-Call-Repetition-Diagnose ganz klar: Das Modell „feuert immer wieder dieselben oder sehr ähnliche Tool Calls ab, wirkt beschäftigt und macht keinen Fortschritt”, und das Muster „bleibt leicht unbemerkt”. Dieser zweite Teil ist das Betreiber-Problem. Ein festsitzender Agent, der produktiv aussieht, verbrennt Tokens und Stunden.

Für Self-Hoster ist die Checkliste einfach: Lade MiMo-V2.6-Pro-MOPD (oder Flash-MOPD), nicht den Original-Tag. Wenn deine Box klein ist, ist MiMo-V2.6-Distill-Qwen-9B (22. September, MIT) die realistische Option, und du kannst lokale Modelle mit Ollama in Docker laufen lassen, um den Serving-Stack einzudämmen.

Wann du es nutzen solltest

• Allgemeine Agent-Arbeit: Höchster offener Score auf AAs agent-lastigem Index
• Lange Coding-Sessions: 1M Kontext mit starken DeepSWE- und Terminal-Bench-Zahlen
• Multimodale Pipelines: Screenshots, Video-Frames, Audio-Notizen in einem Modell
• Überspringen, wenn: du einen kleinen Self-Host-Fußabdruck brauchst. 1.02T erfordert selbst quantisiert einen Multi-GPU-Node; MiMo-V2.6-Flash (310B) oder das 9B-Distill ist die realistischere Homelab-Option

2. GLM-5.3: Das offene Coding-Arbeitstier

GLM-5.3 startete am 14. August über den GLM Coding Plan, offene Weights folgten am 28. August. Dieselbe 744B-A40B-Basis wie GLM-5.2; jeder Gewinn kommt aus dem Post-Training. Die Zahlen zeigen, wie weit das trägt: Terminal-Bench 3.0 sprang von 4.6 auf 28.3, DeepSWE von 46.2 auf 66.9, und Z.ai meldet eine 50%-Verbesserung auf seinem hausinternen Code-Bench. Z.ai nennt es das fähigste Open-Weights-Coding-Modell, und es hält AA Intelligence 45 – Platz zwei unter den offenen Modellen.

Ein Vorbehalt: GLM-5.3s Post-Training-Run brachte auch einen großen Sprung bei Cyber-Fähigkeiten. Z.ai ist offen damit (CyberGym 84.5, State of the Art; Exploitation-Benchmarks mehr als verdoppelt gegenüber 5.2). Nützlich für Security-Forschung – und ein Grund, Agent-Berechtigungen ohnehin eng zu halten.

Technische Daten

Die Z.ai-Speed-Leiter

Seit Mitte September liefert Z.ai vier Throughput-Stufen aus derselben Modellfamilie. Gut zu wissen, bevor du einen Endpoint wählst:

• GLM-5.3-Flash ($0.15/$0.50): das Budget-Tier, weiter unten behandelt
• GLM-5.3-FlashX (18. September, $0.37/$1.25, Cache $0.09): bis zu ~200 tok/s
• GLM-5.3 ($1.40/$4.40): der Weights-gestützte Daily Driver
• GLM-5.3-Prime (23. September, $2.80/$8.80, Cache $0.56): 1,5–2x Throughput, nur Text

FlashX und Prime sind API-only. Ich habe für keines der beiden Weights auf Hugging Face gefunden, Stand 16. Oktober. Wenn du herunterladbare Weights brauchst, bleiben Flash oder das volle GLM-5.3.

Stärken

Beste Anwendungsfälle

• Daily-Driver-Coding-Agent: Stärkstes Allround-Open-Coding-Profil
• Langfristige Terminal-Arbeit: TB-3.0-Gewinne deuten darauf hin, dass es standhält, wo andere Modelle auseinanderfallen
• Claude-Code-artige Stacks: Nativer Anthropic-Messages-Endpoint
• Self-Hosting im großen Stil: FP8- und BF16-Weights auf Hugging Face und ModelScope – aber 744B ist Cluster-Territorium

3. DeepSeek-V4.1-Flash: Der Effizienz-König

DeepSeek-V4.1-Flash erschien am 10. September unter MIT und ist die interessanteste Architektur auf dieser Liste. Es nutzt ein Causal-Encoder-Decoder-Design: 552B Parameter gesamt, aber nur 8B aktiv beim Lesen deines Inputs und 16B beim Generieren des Outputs. Kombiniert mit FP4-KV-Caching liegt der arbeitende KV-Cache bei etwa 890 Bytes pro Token – grob ein Viertel des Vorgängers. Klartext: Es ist gebaut, um Millionen-Token-Agent-Loops günstig zu servieren.

Die Vendor-gemeldeten Zahlen sind aggressiv: Terminal-Bench 2.1 bei 90.6% und DeepSWE 74.2, über Fable 5s 70.0 und GPT-5.6 Sols 73.0. Behandle sie als DeepSeeks eigene Runs, bis mehr Dritt-Verifizierung landet, und prüfe das Live-Leaderboard, bevor du sie als Rekorde zitierst. Der seltsame Teil: Artificial Analysis scored es mit 39 auf dem Intelligence Index – weit unter seinen Coding-Ergebnissen –, weil dieser Index Breite belohnt und V4.1-Flash ein Spezialist ist.

Technische Daten

Preise und Konditionen am 16. Oktober 2026 unverändert gegen die DeepSeek-API-Docs verifiziert. Peak-Fenster sind 01:00–04:00 und 06:00–10:00 UTC an Wochentagen.

Was es gut kann

Plattform-Hinweise, die du kennen solltest

• Aktuelle API-Modellnamen sind deepseek-flash und deepseek-v4-pro. Die alten Namen deepseek-v4-flash und deepseek-v4-flash-vision-exp sind eingestellt, werden aber noch akzeptiert – zum Flash-Preis abgerechnet. Update deine Configs trotzdem.
• Anthropic-formatierte Base URL: https://api.deepseek.com/anthropic. Richte Claude-Code-kompatible Clients darauf und der Rest des Toolings funktioniert. Derselbe Trick gilt in unserem Codex-App-mit-beliebigem-Modell-Guide.
• Concurrency-Limits: 2500 für Flash vs. 500 für Pro. Dimensioniere Agent-Flotten entsprechend.
• Search- und Fetch-APIs kosten $0.75 pro 1.000 erfolgreiche Requests, und DeepSeek Harness ist in Developer Preview für Agent-Harness-Bauer.

Wann du es nutzen solltest

• Always-on-Agents mit Budget: $0.30/$1.20 Peak, die Hälfte Off-Peak
• Terminal- und Repo-Level-Coding: Wo sein Benchmark-Profil am stärksten ist
• Self-Host-Experimente: MIT-Weights plus die cache-effizienteste Serving-Story hier
• Überspringen, wenn: du breite Allgemeinwissens-Arbeit brauchst; sein AA-Index zeigt die Trade-offs der Spezialisierung. Ein V4.1-Pro für das kommt noch.

4. GLM-5.3-Flash: Das Value-Monster

GLM-5.3-Flash erschien am 26. August unter MIT und hat das Budget-Tier still umgekrempelt. 320B gesamt, 18B aktiv, mit einem Hybrid-Attention-Stack, der 34 KDA-Linear-Attention-Layer mit 11 Sparse-Attention-Layern im 3:1-Muster verschachtelt. Das senkt Attention-Compute grob um das 3-Fache und den KV-Cache grob um das 4,4-Fache gegenüber GLM-5.3. Es ist außerdem das erste nativ multimodale GLM-5-Modell, mit Bild- und Video-Input.

Die Pointe ist der Preis: $0.15/M Input und $0.50/M Output, $0.03 cached. Es erreicht 84.3% auf Terminal-Bench 2.1, 63.4 auf DeepSWE und hält AA Intelligence 42. Amüsantes Detail: Vor dem Launch kursierte es auf OpenRouter und OpenCode als anonymes „Ox Alpha”-Modell, das alle zu identifizieren versuchten.

Technische Daten

Was es gut kann

Beste Anwendungsfälle

• Default-Modell für alles Günstige: Immer noch mein Budget-Pick für offene Weights; M3 hat seinen Platz über den MiniMax Token Plan, wenn du ein Flat-Abo statt Per-Token-Abrechnung willst
• Self-gehosteter Coding-Stack: MIT-Lizenz, vLLM-/SGLang-Support, ein Node statt eines Clusters
• Multimodal mit Budget: Screenshot-to-Code und Video-Verständnis ohne K3-Preise
• Hochfrequente Agent-Loops: Cache-Hits bei $0.03/M machen warme Sessions fast umsonst
• Mehr Speed nötig? GLM-5.3-FlashX läuft bis zu ~200 tok/s bei $0.37/$1.25 (API-only)

5. Kimi K3: Immer noch die größten offenen Weights

Kimi K3 ist nicht mehr in den Top drei auf dem AA-Index. AA Intelligence 44 bedeutet jetzt Gleichstand mit Step 5 Preview – effektiv Platz vier in AAs Sortierung: MiMo-V2.6-Pro 46, GLM-5.3 45, Step 5 Preview 44, K3 44. Was sich nicht geändert hat: Mit 2.8T Parametern bleibt es das größte Open Release, und seine Coding-Zahlen halten sich. Terminal-Bench 2.1 bei 88.3%, DeepSWE 67.5, SWE-Marathon 42.0, FrontierSWE 81.2 und BrowseComp 91.2 für Web-Research-Agents.

Seit dem 18. September ist es außerdem allgemein auf Amazon Bedrock verfügbar – relevant, wenn deine Organisation die Weights-Modell-Story innerhalb einer AWS-Security-Boundary mit Prompt-Caching will. Das ist eine September-Behauptung, die ich in dieser Runde nicht erneut verifizieren konnte; prüfe die Bedrock-Docs, falls sie für dich tragend ist.

Der Preis-Vorbehalt aus der Originalversion dieses Guides gilt weiterhin: $3/M Input und $15/M Output ist Frontier-nahes Geld. Cache-Hits bei $0.30/M sind es, die es in warmen Coding-Loops vernünftig halten. Wenn deine Cache-Hit-Rate schlecht ist, macht MiMo-V2.6-Pro vergleichbare Arbeit für ein Siebtel des Output-Preises. Und wenn du über OpenRouter routest statt direkt, rechnet moonshotai/kimi-k3 Stand 16. Oktober etwa $0.304 Input / $12.53 Output / $0.21 Cache ab – grob 17 % weniger beim Output als die Direkt-Rate.

Technische Daten

Was heraussticht

Wann du es nutzen solltest

• Hartes Coding und Agent-Marathons: FrontierSWE- und SWE-Marathon-Führung unter offenen Modellen
• Web-lastige Research-Agents: BrowseComp 91.2
• AWS-Shops: Bedrock mit Caching seit dem 18. September
• Überspringen, wenn du preissensibel bist: $15/M Output ist hier mit Abstand der höchste

6. Qwen3.8-Max und die offenen 2.4T-Weights

Alibaba fährt Qwen 3.8 als zwei Produkte unter einem Namen. Qwen3.8-Max ist die gehostete API bei $2/$6 pro Million Tokens, live seit dem 3. August und am 2. September als Qwen3.8-Max-0902 erneuert. Dieser Snapshot debütierte auf Platz 1 von Arenas Code Arena WebDev Leaderboard mit 1.691 Punkten – 3 Punkte vor Claude Opus 5 und 17 vor Kimi K3. Seine Terminal-Bench-3.0- und ProgramBench-Scores verdoppelten sich mehr als gegenüber dem Launch-Build. Wenn deine Arbeit Frontend und „Vibe Coding” ist, ist das aktuell die stärkste Option im offenen Ökosystem.

Die herunterladbare Hälfte ist Qwen3.8-2.4T-A95B, released am 12. August: 2.4T Parameter, 95B aktiv, hybride Linear-plus-Full-Attention, 262K nativer Kontext erweiterbar auf 1M, unter einer Custom-Qwen-Lizenz. Community-MXFP4/NVFP4-Quants drücken es auf etwa 1.2TB – das passt auf einen einzelnen 8-GPU-B300-Node. Ein Haken: Das September-0902-Post-Training ist bisher API-only, die Weights hinken also dem gehosteten Modell hinterher. Bestätigt am 16. Oktober: Die Qwen-Org zeigt keine neuen 3.8-Weights seit August (nur Qwen3Guard-Stream-Safety-Modelle und Qwen-Image-2.1).

Technische Daten

Diese AA-Spaltung ist wichtig. Das API-Modell, das du heute aufrufen kannst, scored 45 und überflügelt damit GLM-5.3. Die Weights, die du herunterladen kannst, scoren immer noch um die 40. Wenn dein Eval „Qwen3.8-Max” sagt, stelle sicher, dass du weißt, welches davon gelaufen ist.

Was es bietet

Wann du es nutzen solltest

• Frontend und Design-to-Code: Die WebDev-Arena-Führung ist das ganze Argument
• API-Komfort plus Weights-Ausstieg: Auf QwenCloud starten, die Option zum Selbst-Hosten des 2.4T behalten
• Self-Host auf Frontier-Niveau: Wenn du den Node dafür hast, ist das das zweitgrößte offene Modell nach K3
• Überspringen, wenn: du die September-Verbesserungen heute on-prem brauchst; das 0902-Checkpoint ist vorerst hosted-only

Begleitende Berichterstattung zu den kleineren Qwen-Modellen und wie sie sich in Coding-Agents verhalten, findest du in unserem Guide zu Qwen-Modellen für AI-Coding-Agents.

7. Step 5 Preview: Das neue Open-Modell Nr. 3

StepFun hat Step 5 Preview am 18. September veröffentlicht, und es ging weitgehend unbemerkt durch, bis der AA-Index aufholte. Es ist ein 600B-gesamt-/27B-aktiv-MoE mit 1M Kontext, und AA Intelligence 44 platziert es auf Platz 3 der Open-Weights-Modelle in AAs eigener Sortierung – ein Haar vor Kimi K3. Bei Aktiv-Parameter-Effizienz ist das der beste Deal in den offenen Top fünf: 27B aktiv ist ein Drittel von MiMos 42B.

Weights liegen auf Hugging Face als stepfun-ai/Step-5-Preview, mit offiziellen BF16- und NVFP4-Varianten plus Community-GGUF- und MLX-Quants. Downloads sind noch niedrig (hunderte bis niedrige tausende) – behandle das also als früh.

Technische Daten

Open-Source-LLMs vs. Claude Opus 5.5 und GPT-6.1: der direkte Vergleich

Zahlen Stand 16. Oktober 2026. „n/a” heißt nicht veröffentlicht oder auf dieser exakten Suite nicht vergleichbar. DeepSWE- und Terminal-Bench-Spalten mischen Vendor- und Dritt-Runs; Zahlen aus einer Quelle bekommen weniger Vertrauen. Lies die Tabelle so: Auf dem $2/$10-Tier ist das Argument Fähigkeit pro Dollar, auf dem $0,10/$0,50-Tier sind es Weights und Self-Hosting.

*Opus-5-Zahl, wo Opus 5.5 keinen veröffentlichten DeepSWE-Run hat; Anthropic stuft 5.5 grob auf Fable-5.1-Niveau ein. †AA scored den 0902-API-Snapshot mit 45 und die offenen 2.4T-A95B-Weights mit etwa 40. Gezeigte Kimi-K3-Preise sind Direkt-Liste; OpenRouter rechnet $0.304/$12.53 ab. MiniMax M3 ist die OpenRouter-Listung, siehe die Preis-Fußnoten unten. DeepSeek-Input ist $0.30 Peak / $0.15 Off-Peak.

Diagramm, das Open-Source-LLMs mit Claude Opus 5.5, Sonnet 5.5 und GPT-6.1 anhand von Benchmark-Scores und Kosten pro Million Tokens vergleicht, Oktober 2026

Wie du diese Open-Source-LLMs nutzt (OpenRouter, Direkt-API oder self-hosted)

Schritt 1: Wähle deinen Zugangsweg

Schritt 2: Umgebung (OpenRouter-Beispiel)

# Install OpenAI SDK
pip install openai

# Set environment variables
export OPENROUTER_API_KEY="your_api_key_here"
export OPENROUTER_BASE_URL="https://openrouter.ai/api/v1"

Verifiziere den Key, bevor du irgendeinen Code schreibst:

curl -s https://openrouter.ai/api/v1/models \
  -H "Authorization: Bearer $OPENROUTER_API_KEY" | head

Du willst JSON zurückbekommen. Wenn du eine HTML-Fehlerseite oder 401 bekommst, fixe zuerst den Key oder den Netzwerkpfad.

Schritt 3: Erster Call, zwei Modelle nebeneinander

import openai

client = openai.OpenAI(
    base_url="https://openrouter.ai/api/v1",
    api_key="your_openrouter_api_key"
)

def ask(model: str, prompt: str) -> str:
    response = client.chat.completions.create(
        model=model,
        messages=[{"role": "user", "content": prompt}]
    )
    usage = response.usage
    print(f"{model}: {usage.prompt_tokens} in / {usage.completion_tokens} out")
    return response.choices[0].message.content

prompt = "Create a Python web scraper for product prices"

# The open coding workhorse vs the new proprietary budget tier
print(ask("z-ai/glm-5.3", prompt))
print(ask("anthropic/claude-haiku-5.5", prompt))

Derselbe Call in curl, wenn du nur die Form der Antwort sehen willst:

curl https://openrouter.ai/api/v1/chat/completions \
  -H "Authorization: Bearer $OPENROUTER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"z-ai/glm-5.3","messages":[{"role":"user","content":"Create a Python web scraper for product prices"}]}'

Hinweis zu DeepSeek: Der aktuelle API-Modellname ist deepseek-flash (serviert V4.1-Flash), und wenn du das Anthropic-Messages-Format willst, ist die Base URL https://api.deepseek.com/anthropic. Alte Namen wie deepseek-v4-flash resolven noch, werden zum Flash-Preis abgerechnet – aber baue keine neuen Configs darauf.

Schritt 4: Kontext zur Aufgabe passen

Schritt 5: Verifiziere, dass es funktioniert

Drei Checks, die fünf Minuten dauern und einen Nachmittag retten:

1. Die Antwort hat Inhalt und response.model stimmt mit dem Angefragten überein. Provider tauschen Modelle öfter still aus, als sie zugeben.
2. Logge den Usage-Block und preise eine echte Aufgabe. Multipliziere prompt_tokens und completion_tokens mit den Listenraten. Vergleiche das mit derselben Aufgabe auf Haiku 5.5 oder Opus 5.5. Deine Kosten pro nützlichem Ergebnis sind die Zahl, die zählt.
3. Lass denselben Prompt durch zwei Modelle laufen und diff die Output-Qualität. Das ist „in deiner Domäne messen” ausführbar gemacht. Mach es bei einer Aufgabe, deren Antwort du kennst, nicht bei einem Toy-Prompt.

Self-Hosting-Hinweise

Wenn du Weights selbst servieren willst, sind die praktischen Picks Stand Oktober 2026:

Zwei Ops-Anmerkungen.

Rollback ist langweilig – und das ist der Punkt. Ein self-gehostetes Modell ist Weights plus ein API-Prozess. Pinne ein Checkpoint-Tag in deiner Deploy-Config, und ein fehlgeschlagenes Upgrade zurückzudrehen heißt, das vorherige Tag neu zu deployen. Keine Migration, kein Datenformatwechsel.

Kostenrechnung, bevor du Eisen kaufst. Ein 320B-Klasse-Modell (GLM-5.3-Flash) braucht einen Multi-GPU-Node. Ein 2.4T-Klasse-Modell (Qwen3.8, K3) braucht die 8-GPU-Node-Klasse. Bei den Volumina im nächsten Abschnitt (10M in + 10M out pro Monat) liegt API-Ausgabe bei $6.50 für GLM-5.3-Flash und $80–$180 für Qwen3.8-Max und Kimi K3. Hardware gewinnt nur, wenn du Datenlokalität brauchst, dauerhaft viel höheres Volumen oder cache-lastige Workloads, die du lieber nicht meterst. Für das Small-Footprint-Ende der Skala sieh beste Mini-PCs für lokale LLMs.

Wenn du Hardware kaufst: Nichts davon läuft die 320B+-Modelle oben. Was eine Home-Box laufen kann, ist das kleine Ende: MiMo-V2.6-Distill-Qwen-9B und die quantisierte 30B–120B-Klasse.

Kostenaufschlüsselung: Was diese günstigen AI-Coding-Modelle wirklich kosten

Illustrative monatliche Kosten bei 10M Input- + 10M Output-Tokens, API-Listenpreise Stand 16. Oktober 2026. Echte Rechnungen bewegen sich mit Cache-Hits, Plänen, Batch-Rabatten und Off-Peak-Timing. Opus 5.5 ist die Baseline.

Monatlicher Kostenvergleich (10M in + 10M out)

Die Pointe hat sich seit September geändert. Bei $6/Monat-Klasse-Ausgaben erreicht das proprietäre Tier jetzt den offenen Listenpreis: Haiku 5.5 und Luna landen bei dieser Rechnung beide auf $6. Du wählst trotzdem offene Modelle wegen Weights, Self-Hosting, Off-Peak- und Batch-Preisen und keinen Rate Limits. Und die Spitze des offenen Feldes (MiMo 46, GLM-5.3 45) kostet bei diesem Volumen immer noch $13–$58, während sie Haiku um 2–3 AA-Punkte und Luna um 7–8 schlägt. Der Trade: $6 kaufen dir 43 (Haiku) oder 38 (Luna) ohne Weights – oder $6.50 kaufen dir 42 mit MIT-Weights und Cache-Hits bei $0.03.

Zwei weitere Fußnoten zu dieser Tabelle. GPT-6 Astra und Fable 5.1 für $600 kaufen die Spitze des Index nur, wenn dein Workload AA 53–58 braucht. Die meiste Coding-Agent-Arbeit tut das nicht. Und Kimi K3s $15/M Output bedeutet, dass sein „günstiger” Ruf nur hält, wenn deine Input-Cache-Hit-Rate hoch bleibt.

Wenn du lieber einen monatlichen Flat-Rate zahlst und das Routing jemand anderem überlässt, behandelt die Aufschlüsselung OpenCode Go vs. ClinePass für günstigen Zugriff auf DeepSeek, Qwen und Kimi die Abo-Seite derselben Modelle.

Tipps und häufige Fehler

Was funktioniert

Was du vermeiden solltest

• Jede Aufgabe standardmäßig ans teuerste Modell zu routen. Bei $20/M Output verbrennt Opus 5.5 bei Bulk-Refactors Geld
• Vendor-gemeldeten Benchmarks ohne unabhängige Runs zu vertrauen (DeepSeek V4.1-Flashs Terminal-Bench-Zahlen sind bisher selbst gemeldet)
• Agents ohne Permission-Scoping laufen zu lassen – gerade angesichts dessen, wie schnell die Cyber-Fähigkeiten in diesen Releases klettern. AI-CLI-Tools sicher in Docker oder Podman laufen lassen statt auf deinem Home-Verzeichnis
• Das Lizenz-Kleingedruckte zu ignorieren: MIT ist sauber, GLM-5.3 hat eine $10B-MaaS-Klausel, StepFun Model License 1.0 hat Umsatzbedingungen, Qwen, Kimi und Muse nutzen Custom-Lizenzen
• Tool-Call-Wiederholungsschleifen zu übersehen. Wenn ein Agent beschäftigt wirkt, aber der Dateibaum sich nie ändert, verbrennst du Tokens auf wiederholte Tool Calls. Wechsle zu einem MOPD-Checkpoint oder baue Loop-Detection in den Harness. Xiaomis Diagnose-Post beschreibt das Muster gut

Was als Nächstes kommt

• DeepSeek-V4.1-Pro: Das Familien-Flaggschiff. Stand 16. Oktober immer noch abwesend auf Hugging Face und in der API; deepseek-v4-pro serviert weiterhin DeepSeek-V4-Pro-0813 bei $0.66–$1.32 in / $1.98–$3.96 out
• Erneuerte Qwen3.8-Weights: Das 0902-Post-Training ist heute API-only. Verifiziert am 16. Oktober: keine neuen 3.8-Weights auf der Qwen-Org seit August. Ein aktualisiertes Checkpoint wäre für Self-Hoster relevant
• Tencent Hy4: 770B Apache-2.0-Preview, immer noch tencent/hy4-preview auf OpenRouter bei $0.751/$2.251 und auf Hugging Face mit FP8- und Community-GGUF-Quants. Kein GA
• Step 5 GA und Preise: Wenn StepFun das finale Modell unter K3s $3/$15 preist, wird es das Default-Open-Modell für harte Aufgaben
• Metas Muse-Linie: Muse Wonder (AA 52, 12. Oktober) ist das proprietäre Flaggschiff; Muse Spark Open (15. Oktober, 816B/42B, AA 39, Muse Model License) ist das Open Release mit NVFP4- und MLX-Quants ab Tag eins. Lies die Umsatzbedingungen der Muse-Lizenz, bevor du eines davon kommerziell empfiehlst
• Weitere Kandidaten: GLM-5.3-Prime- und FlashX-Weights (beide heute API-only), Inkling von Thinking Machines (975B/41B, Apache-2.0, AA 25) und Reflections Beam 1.0 (501B/23B, Apache-2.0, AA 30). Interessante Lizenzen, noch keine Coding-Anwärter

Welches Open-Source-LLM solltest du wählen?

MiMo-V2.6-Pro, wenn du willst:

• Den höchsten Open-Weights-Score (AA 46) mit MIT-Weights
• Starke agentische Zahlen (AutomationBench 53.1, DeepSWE 71.9)
• Text + Bild + Video + Audio in einem Modell
• $0.44/$0.87-Preise, ~134 tok/s
• Ziehe das MOPD-Checkpoint für Agent-Arbeit

GLM-5.3, wenn du brauchst:

• Das stärkste offene Coding-Profil (TB 3.0 28.3, FrontierSWE 78.1)
• Einen bewährten Daily Driver mit Coding-Plan-Abo-Optionen
• Einen Anthropic-kompatiblen Endpoint für Claude-Code-artige Tools
• Planbare $1.40/$4.40-Preise

DeepSeek V4.1 Flash, wenn du willst:

• Vendor-gemeldete 90.6% Terminal-Bench 2.1 und 74.2 DeepSWE (verifiziere gegen das Live-Leaderboard)
• MIT-Weights und das günstigste ernsthafte Agent-Serving
• Off-Peak-Preise, die eine ohnehin niedrige Rechnung halbieren – Wochenenden inklusive
• 384K Output-Budget für lange Generierungen

GLM-5.3-Flash, wenn du willst:

• $0.15/$0.50-Listenpreise mit MIT-Weights
• Nativen Bild- + Video-Input
• Ein 320B-Modell, das auf einen Node passt
• 84.3% TB 2.1, vier AA-Punkte hinter seinem Flaggschiff-Geschwister

Kimi K3, wenn du willst:

• Die größten offenen Weights (2.8T)
• BrowseComp-91.2-Research-Agents
• AWS-Bedrock-Deployment mit Prompt-Caching
• Du kannst mit $15/M Output leben und dich auf Cache-Hits stützen

Qwen3.8-Max, wenn dir wichtig ist:

• #1 auf Code Arena WebDev für Frontend-Arbeit
• $2/$6 API-Preise mit 1M Kontext
• Ein 2.4T-Open-Weights-Pfad, wenn du bereit zum Self-Hosten bist

Step 5 Preview, wenn du willst:

• Den neuen Open-Score Nr. 3 (AA 44) mit nur 27B aktiven Parametern
• 600B Weights mit BF16/NVFP4 und Community-GGUF-Quants bereits draußen
• Du kannst mit einem Preview-Checkpoint und einer Custom-Lizenz leben, während Preise noch TBD sind

Meine Rangfolge für Coding-Agent-Arbeit im Moment: GLM-5.3 als Default, MiMo-V2.6-Pro (MOPD), wenn die Aufgabe lang oder multimodal ist, GLM-5.3-Flash für Volumen, wenn du Weights brauchst, und Haiku 5.5, wenn nicht, DeepSeek V4.1-Flash für terminal-lastige Loops, und Kimi K3 oder Qwen3.8-Max, wenn ihre spezifischen Stärken (Research, Frontend) zum Job passen. Step 5 Preview tritt der Hard-Task-Liste an dem Tag bei, an dem es echte Preise bekommt.

Speziell für agentische Harnesses filtert die Shortlist beste Open-Source-Modelle für OpenClaw dasselbe Set nach Tool-Calling-Zuverlässigkeit.

Ein Satz dazu, wann du Open komplett überspringen solltest: Claude Sonnet 5.5 mit AA 56 und $2/$10 ist die Value-Bedrohung, und wenn du keine Weights, Off-Peak-Abrechnung oder einen Self-Host-Ausstieg brauchst, ist es ein vertretbarer Default. Ich wähle trotzdem Open für alles Langlebige, weil ein Checkpoint pinnen und selbst servieren die einzige Version von „dieses Modell wird nächstes Quartal noch existieren” ist, die du kontrollierst.

FAQ