Kolibri-1 の代替ツール

Fireworks Research が Kimi K3 を「考えすぎない」モデルに作り替えた派生版。ベンチマーク品質はほぼ同じでトークンは約 40% 削減、100 万トークンあたり入力 $3・出力 $15。

Tencentの次世代オープンウェイトMoEフラッグシップ。合計770B・トークン毎に49Bアクティブ、1Mトークンコンテキスト。Apache 2.0で、ゲーテッドDSA注意を採用。長時間コーディングとプロダクティビティに強み。

Poolsideのオープンウェイト118B MoEコーディングモデル。8Bアクティブ、100万トークンコンテキスト、ネイティブ推論、OpenMDW-1.1ライセンスでエージェントコーディング向け。

MeituanのオープンウェイトMoEモデル：総パラメータ1.6T/活性約48B、1Mコンテキスト、MITライセンス。コーディングとエージェントタスクに強み（2026-08-25）。

Xiaomi の MiMo-V2.6 オープンウェイトシリーズ。旗艦 Pro は総 1.02T・活性 42B のスパース MoE、Flash は 309B。両方 MIT ライセンスで 100 万トークン対応。

Bespoke Labs のオープンウェイト 9B モデルと学習レシピ。Jev 型の判定を、確率付きの単一トークン選択としてローカルで実行できます。

IBMのオープンウェイト・デンス推論LLM。30Bパラメータ、Apache 2.0、ネイティブ128Kコンテキスト（512K拡張可）、内蔵チェーン・オブ・ソートと推論強化ツール呼び出し。

Swift-Qwen3.8-27B は UkisAI による Qwen3.8-27B の推論効率化ファインチューンで、思考トークンを約 58% 減らし、得点損失は 1% 未満です。

Von は Apache-2.0 の 395M System One 意思決定モデルで、Apple MPS 上で約 18 ミリ秒で校正済みの回答をローカルに返します。

Agnes-3.0-Flash Preview は Apache-2.0 の 33B マルチモーダル公開重みで、コンテキスト 262k。プロプライエタリ API とは別チェックポイントです。

BAAI の 27B オープンウェイト エージェントモデル。コーディング・ML エンジニアリング・ディープリサーチで提案・測定・反省・改訂を繰り返す、262K コンテキスト。

Google DeepMind のオープンウェイトモデル。総パラメータ 25.2B の MoE で 1 トークンあたり 3.8B のみ活性化。256K コンテキスト、マルチモーダル入力、Apache 2.0 ライセンス。

智譜（Z.ai）GLM-5 シリーズ初のネイティブ・マルチモーダルモデル（匿名モデル「Ox Alpha」と判明）：320B MoE、18B のみ活性化、1M コンテキスト、MIT オープンウェイト、入力 $0.15/百万トークン。

K2-Horizon-7B は IFM の公開重み言語モデルです。512K コンテキスト、ツール呼び出し、学習段階別チェックポイントを備え、ローカル推論や追加学習の比較に使えます。