Open-weight-modellerne er ankommet: DeepSeek V4 Flash og Qwen3.5 udfordrer OpenAI og Anthropic

I årevis har fortællingen om AI-modeller været den samme: De bedste modeller er lukkede, og hvis du vil have topkvalitet, betaler du top-dollar til OpenAI eller Anthropic. Open-weight-modeller var "gode nok til hobbyprojekter" – imponerende til prisen, men aldrig rigtig med ved bordet, når det gjaldt.

Det billede er ved at revne. I løbet af de første otte måneder af 2026 er der landet en bølge af open-weight-modeller, som for første gang kan måle sig med de lukkede giganter – til en brøkdel af prisen. Denne artikel dykker ned i de to mest interessante: DeepSeek V4 Flash og Qwen3.5, og giver et overblik over resten af feltet – med tal på performance, effektivitet og pris, sammenlignet med OpenAI og Anthropic.

Hvad betyder "open-weight" egentlig?

Open-weight betyder, at modelvægtene er offentligt tilgængelige – typisk under MIT- eller Apache 2.0-licens. Du kan downloade dem, køre dem på din egen hardware, tilpasse dem og bygge videre på dem. Det er ikke nødvendigvis "open source" i strengeste forstand (træningsdata og -kode er ofte lukket), men det betyder, at du ikke er bundet til en enkelt leverandørs API – og at dine data kan blive i dit eget miljø.

DeepSeek V4 Flash: effektivitetens mester

DeepSeek leverede i juni 2026 et preview af sin V4-serie – og den 31. juli fulgte en opgraderet, produktionsklar snapshot-version (V4-Flash-0731).

Specifikationerne er bemærkelsesværdige:

• 284 mia. parametre i alt, men kun 13 mia. aktiveres per forespørgsel (MoE-arkitektur)
• 1 million tokens kontekst – og op til 384.000 tokens output
• MIT-licens
• Trænet på 32+ billioner tokens med bl.a. Muon-optimizeren

Den store nyhed er arkitekturen. DeepSeek har kombineret to nye opmærksomhedsmekanismer (CSA + HCA), som gør lang-kontekst-inferens dramatisk billigere: Ved en 1M-kontekst bruger V4-Pro kun 27 % af beregningsarbejdet (FLOPs) og 10 % af KV-cachen sammenlignet med forgængeren V3.2.

Benchmarks (DeepSeeks egne tal): I base-versionen slår V4-Flash V3.2 på stort set alt – MMLU 88,7 (mod 87,8), MMLU-Pro 68,3 (mod 65,5), HumanEval 69,5 (mod 62,8) og LongBench-V2 44,7 (mod 40,2) – med under en tredjedel af de aktive parametre. I reasoning-tilstand ("Think Max") når Flash op på GPQA 88,1, LiveCodeBench 91,6 og SWE Verified 79,0 – tal, der for to år siden ville have været frontier-niveau.

Men det helt vilde er prisen:

DeepSeek har endda introduceret cache-hit-priser på $0,0028 per million tokens – i praksis gratis for gentagne forespørgsler. Ifølge Artificial Analysis' uafhængige målinger koster V4 Flash $0,03 per opgave – cirka 78 gange billigere end Claude Opus 5 ($2,34 per opgave) – og det med et intelligensindeks på 50 mod Opus 5's 61 (82 % af intelligensen til lidt over 1 % af prisen).

Qwen3.5: kapabilitet til masserne

Alibabas Qwen-serie har længe været open-weight-scenens kraftcenter, og med Qwen3.5 (udgivet 16. februar 2026) tog de springet. Flagskibet Qwen3.5-397B-A17B er en native vision-language-model: 397 mia. parametre i alt, men kun 17 mia. aktive per forespørgsel, bygget på en hybrid arkitektur (Gated Delta Networks + sparse Mixture-of-Experts). Apache 2.0-licens, 201 sprog og dialekter – op fra 119 i Qwen3.

Qwens egne benchmarktal (mod GPT-5.2, Claude 4.5 Opus og Gemini 3 Pro):

Qwen3.5 er med andre ord stærkest, hvor mange virksomheder faktisk bruger modellerne: instruktionsfølgning og komplekse opgaver med mange trin. På de hårdeste videnskabelige og matematiske benchmarks (GPQA, LiveCodeBench) ligger den et lille skridt efter GPT-5.2, men foran Claude 4.5 på GPQA.

En vigtig ærlig note: Artificial Analysis' uafhængige målinger placerer den hosted version (Qwen3.5-Plus) på intelligensindeks 34 – markant lavere end Qwens egne tal antyder. Forskellen skyldes dels målemetode (AA's indeks v4.1 vejer lange reasoning-opgaver tungt), dels at leverandørrapporterede tal altid skal tages med forbehold. Tag begge kilder med, når du vurderer.

Prisen er til gengæld entydig: Qwen3.5-Plus (hosted, 1M kontekst) koster $0,30/$1,80 per million tokens; 397B-modellen $0,39/$2,34; og de mindre varianter er næsten gratis (35B-A3B: $0,14/$1,00, 9B: $0,10/$0,15). Siden er Qwen3.6 (april) og Qwen3.7/3.8 allerede fulgt efter – tempoet er absurd.

Resten af feltet: hvem skal man også holde øje med?

DeepSeek og Qwen er hovednavnene, men 2026 har været et godt år for open-weight generelt:

• Kimi K3 (Moonshot) – det tætteste, et open-weight-løb kommer på frontier-niveau: intelligensindeks 57 (mod GPT-5.6 Sol's 59). Pris: $3/$15 per million tokens. Kinas svar på "premium open-weight".
• GLM-5.2 (Z.ai) – intelligensindeks 51, lynhurtig (196 tokens/sek.) og billig: $0,76/$2,42.
• MiniMax-M3 – solidt allround-valg på indeks 44 til $0,30/$1,20 med 1M kontekst.
• Llama 4 (Meta) – Maverick og Scout er blevet de billigste seriøse muligheder (fra $0,10/$0,30) med enorme kontekstvinduer (op til 10M), men ligger på indeks 14/10 – primært til high-volume-opgaver.
• gpt-oss-120b (OpenAI!) – OpenAI's egen open-weight-model til $0,04/$0,17. Bevis på, at selv de lukkede giganter har set skriften på væggen.
• På vej: Meta Muse Spark 1.1 (indeks 51), Xiaomis MiMo-V2.5 og Qwen3.7/3.8.

Det store billede: pris/ydelse-kurven er knækket

Sætter man det hele sammen, tegner der sig et tydeligt billede. Artificial Analysis' data fra august 2026:

Pointen er ikke, at open-weight er "bedre" end de lukkede modeller – Opus 5 og GPT-5.6 Sol er stadig de klogeste modeller, man kan købe. Pointen er, at afstanden er blevet lille nok til, at prisen afgør valget for de fleste virksomhedsopgaver. Hvis 95 % af dine opgaver kan løses af en model, der koster 1 % af prisen, er spørgsmålet ikke længere "hvad er den bedste model?" – men "hvad er den rigtige model til denne opgave?"

Hvad betyder det for din virksomhed?

1. Data kan blive i huset. Open-weight-modeller kan hostes selv eller i dit eget VPC. For virksomheder med GDPR-følsomme data er det en game-changer – ingen aftaler med OpenAI eller Anthropic om databrug nødvendig.
1. Reasoning-effort er den nye skala. DeepSeek V4 (og efterhånden flere) leverer samme model i tre tilstande: hurtig/ikke-tænkende, tænkende og maksimalt tænkende. Du betaler kun for hjernen, når opgaven kræver den.
1. Benchmarks er ikke sandheden – de er input. Leverandørernes egne tal og uafhængige målinger (som Artificial Analysis) afviger markant. Test altid mod dine egne opgaver.
1. De lukkede giganter svarer igen – men til en pris. Opus 5 og GPT-5.6 er fremragende, men koster 25-30× mere per token end deres open-weight-konkurrenter. Den præmie er kun værd at betale, hvor det virkelig gælder.

Open-weight-æraen er ikke "på vej". Den er her. Og den bedste nyhed? De næste modeller er allerede undervejs.

Kilder

1. DeepSeek V4 modelkort: https://huggingface.co/deepseek-ai/DeepSeek-V4-Flash
1. DeepSeek officielle API-priser: https://api-docs.deepseek.com/quick_start/pricing
1. Qwen3.5 release-blog: https://qwen.ai/blog?id=qwen3.5
1. Qwen3.5 GitHub (Qwen3.5 & Qwen3.6): https://github.com/QwenLM/Qwen3.5
1. Qwen3.5-397B-A17B modelkort: https://huggingface.co/Qwen/Qwen3.5-397B-A17B
1. Artificial Analysis – model leaderboard: https://artificialanalysis.ai/leaderboards/models
1. OpenRouter – model- og priskatalog: https://openrouter.ai/models