Llama vs Qwen Chat 2026: open-weight модели Meta и Alibaba

Вы ML-инженер, выбираете open-weight базу для нового продукта. Llama от Meta или Qwen от Alibaba? Веса у обеих бесплатные, но дальше — две очень разные истории.

Llama и Qwen — два самых массовых open-weight семейства на 2026 год, но они выросли в разных экосистемах и решают близкие, но не идентичные задачи. Llama родился в FAIR (научной лаборатории Meta под руководством Yann LeCun) в феврале 2023, его задача — «commoditize» слой LLM, чтобы Meta не зависела от OpenAI и Anthropic. Qwen вышел в апреле 2023, публичный релиз — сентябрь 2023 после регулятивного одобрения в КНР; задача — внутренняя AI-инфраструктура для Taobao, Tmall, DingTalk плюс публичная экосистема для open-source-разработчиков.

Получились два разных профиля. Llama 4 Scout заявляет рекордные 10 миллионов токенов контекста, MoE-архитектуру 109B total / 17B активных и Llama Community License, которую Open Source Initiative прямо оспаривает в качестве «open-source». Qwen3 (релиз — апрель 2025) — это 36 триллионов токенов pretraining на 119 языках, режимы thinking и non-thinking, плюс отдельная экосистема: Qwen-Coder для разработки, Qwen-VL для видео-анализа до 20+ минут, QwQ-32B-Preview под Apache 2.0 как полноценная reasoning-модель.

Главный практический раскол — это «зачем мы открыли веса». Meta инвестирует в Llama, чтобы вокруг продукта Facebook, Instagram, WhatsApp и Meta AI собралась независимая open-инфраструктура. Alibaba Cloud открывает Qwen, потому что облачный бизнес продаёт inference и fine-tuning поверх — модель работает как demo для DashScope. От этого зависит ритм релизов: Llama выходит большими версиями раз в 6–12 месяцев, Qwen выкатывает специализированные варианты (Coder, VL, Audio, QwQ) под отдельные ниши почти ежеквартально, а в марте 2026 Alibaba выделила AI в отдельную бизнес-единицу «Alibaba Token Hub».

Российский маркетолог берёт open-weight модель в собственный продакшен — для авто-рерайта статей и ответов в поддержке. Llama 4 или Qwen3 — какая стилистически читается без «иностранного акцента»?

Для аудитории AIRatings русский — фильтр номер один. В досье Llama прямо зафиксирована оценка 6/10 за русский с пояснением: «справляется прилично, особенно на 70B+ и 405B; в творческом тексте — заметный иностранный акцент. Это не приоритетный язык в обучении Meta». В Llama 3.1 официально перечислены 8 приоритетных языков (английский, немецкий, французский, итальянский, португальский, хинди, испанский, тайский) — русский в этот список не входит. Llama 4 расширила multilingual, но Meta не публикует структурированный список языков с указанием качества по каждому.

У Qwen картина другая. В досье — оценка 7/10 за русский с формулировкой «выше Llama, Mistral, DeepSeek; ниже YandexGPT и GigaChat». Источник опоры — Qwen3 на 36 триллионах токенов pretraining на 119 языках, и русский — среди приоритетных в этом списке. Это не «нативный русский», как у Яндекса и Сбера, но в реальной работе разница с Llama заметна: Qwen реже выдаёт кальки с английского в идиомах, лучше справляется с падежами в сложных конструкциях и аккуратнее с фамилиями.

Где это видно практически. На задаче «перепиши официальное письмо в дружеский тон» Llama 3.3 70B чаще оставляет нерусские обороты типа «в свете вышеизложенного» или странную пунктуацию при перечислениях. Qwen3 32B в той же задаче ближе к привычному стилю переписки, хотя в редких терминах и в специфике российских реалий (бухгалтерия, госуслуги, налоги) тоже спотыкается — потому что обучающий корпус не заточен под рунет. Ни одна из двух моделей не заменяет YandexGPT/GigaChat в задачах с глубокой российской спецификой — это разговор «лучшее open-weight для русского», а не «вообще лучшее на русском».

Отдельно: в РФ-сообществе сложился фактический стандарт fine-tune Llama на русский — проект «Сайга», существует в нескольких поколениях. У Qwen аналогичных массовых русскоязычных fine-tunes меньше — это влияет на «готовые рецепты», но не на исходное качество моделей. Официальные бенчмарки качества русского ни Meta, ни Alibaba не публикуют — это data gap, который мы фиксируем явно.

Российский продакт пишет питч-деки и переписку на английском, нужна open-weight модель, которая не выдаст «русский акцент» обратно. Где английский крепче — у Llama или у Qwen?

Английский — baseline-метрика всей категории text-ai. По досье Llama: «Llama 3 70B reportedly matched leading competitors like GPT-4», Llama 4 Maverick — «конкурент frontier-моделей». Это формулировки из источников Wikipedia EN и подтверждаются практикой open-source-сообщества: Llama 3.1 405B и Llama 4 Maverick на 400B/17B MoE — на момент релиза одни из лучших open-weight моделей в общем письменном английском.

У Qwen досье подчёркивает: «Qwen3 на момент релиза (апрель 2025) — конкурент Llama 3.1 / DeepSeek-V3 / Claude 3.5 Sonnet в ряде задач». На английском Qwen ровный, но в стилистике у него отчётливо чувствуется китайский тренировочный фокус: формулировки чуть «суше», меньше идиоматики, более прямой перевод фраз. Llama — это в основном английский корпус, и в творческом и редактурном английском это слышно.

В работе с длинными аналитическими текстами на английском Llama 3.1 405B держит связность и стилистическую ровность; Llama 4 Maverick добавляет multimodal vision, что полезно для аналитики «текст + графика». В Qwen3-32B видна ставка на reasoning-цепочки и аккуратность с фактами — это другой угол: где Llama звучит литературнее, Qwen логичнее.

Для российской аудитории это важно так. Если ваш типичный английский текст — это технические описания, e-mail с клиентами, заявка в иностранный фонд, оба варианта закрывают задачу. Если требуется маркетинговая копирайтерская работа на английском — питч-деки, посты в LinkedIn, лонгриды — Llama звучит ближе к носителю, но всё равно проигрывает Claude и ChatGPT (это разговор про open-weight нишу, не про абсолютный топ).

ML-инженеру нужен open-weight для пайплайна с многошаговыми рассуждениями — анализ контрактов, проверка логики SQL-запросов, олимпиадная математика. У какого семейства есть «настоящая» reasoning-модель?

Reasoning в 2025–2026 — это отдельный класс моделей с обучением на «мышлении вслух» (chain-of-thought, RLHF на длинных трассах). У Llama своей специализированной reasoning-модели нет: в досье §12 прямо зафиксировано — «отсутствие специализированной reasoning-модели — нет „Llama-R1“ аналога DeepSeek R1; reasoning достигается через CoT-prompting». На практике это означает, что любой бенчмарк MATH, GPQA Diamond, AIME Llama проходит «обычной» моделью с длинным prompt’ом — и проигрывает по точности reasoning-специализированным моделям.

У Qwen, наоборот, в линейке появилась полноценная reasoning-модель — QwQ-32B-Preview под Apache 2.0. По досье §4: «QwQ — open-source reasoning model под Apache 2.0». Это технически и юридически важно: QwQ можно скачать с Hugging Face и развернуть у себя, в отличие от закрытых reasoning-моделей OpenAI o3 и Claude Opus thinking. В Qwen3 (апрель 2025) добавили режимы thinking и non-thinking — модель может «включать» цепочку рассуждений по запросу.

Что это значит практически. На задачах формальной логики и математики QwQ-32B даёт более длинные и структурированные цепочки рассуждений — и в среднем меньше «срывается» на простых арифметических шагах. На Llama 3.3 70B или Llama 4 для аналогичной задачи приходится писать развёрнутые few-shot или прибегать к внешним фреймворкам (например, ReAct + ToolFormer), что усложняет деплой.

Юридически QwQ под Apache 2.0 — это редкая комбинация: специализированный reasoning + лицензия, разрешающая коммерческое использование без сложных условий. Llama Community License допускает коммерческое использование для большинства компаний, но накладывает acceptable use policy и ограничения для бизнесов с >700M MAU. Для регулируемых отраслей и юридических департаментов это разница на уровне «можем подписать договор» vs «нужна доп-экспертиза».

Юрист загружает 1500-страничный набор корпоративных договоров и хочет «всё в один проход». Open-weight модель, которая такое выдержит — это, скорее, Llama или Qwen?

По заявленному размеру контекста Llama 4 Scout — рекордсмен индустрии: 10 миллионов токенов. Это зафиксировано в досье §2: «Llama 4 Scout: 10 миллионов токенов (рекорд индустрии)». У Llama 4 Maverick — 1M токенов, у Llama 3.1+ — 128K. Это огромный диапазон под разные задачи: 8B модель для быстрых ответов с 128K, Scout для одной массивной операции на 10M.

У Qwen картина прозаичнее. По досье §2: «для Qwen2.5/3 — 32K стандартно, варианты с extended context до 128K и более». Точные размеры по каждому Qwen 3 / 3.5 / 3.6 варианту в публичном поле фрагментированы (это явный data gap из досье). Vision-модели Qwen-VL умеют обрабатывать видео-вход >20 минут — но это другая «длина», не текстовый контекст.

Важная оговорка из досье Llama: «реальная точность при использовании всего 10M — пока подтверждена слабо». Это значит, что для production-задач на 10M (а не «маркетингового рекорда») нужны независимые тесты типа MRCR / Needle-in-Haystack — а их на момент 2026-05 мало. Поэтому в реальной работе формула «грузим всё подряд в Llama 4 Scout и ждём идеальной точности» не работает. Чаще используется гибрид: RAG-инфраструктура плюс модель с 128K–1M контекстом для финальной агрегации.

Для российских юристов и аналитиков, у которых типичный кейс — договор на 100–300 страниц, оба семейства подходят. Llama 3.1 70B на 128K или Qwen3 в расширенном контексте 128K закрывают задачу примерно одинаково. Если объём действительно гигантский (целая кодовая база, регулятивный архив), Llama 4 Scout уникален в open-weight нише, но требует серьёзного inference-железа (минимум 8×H100 или аналог) и независимой проверки точности на вашем профиле данных.

Стартап делает помощника для контент-аналитики: разбор скриншотов рекламы, чтение длинных видео-обзоров, разметка скриншотов из приложения. Хватит ли open-weight, или нужно SaaS-frontier?

«Мультимодальность» в open-weight — это в основном «vision на вход». Ни Llama, ни Qwen не генерируют картинки на уровне DALL-E или видео на уровне Sora — это не их ниша. Различия начинаются в том, как глубоко обработан vision-стек.

У Llama vision встроен в Llama 4 Scout/Maverick (нативный multimodal) и отдельные модели Llama 3.2 (11B и 90B vision). По досье §2 и §4 — модели понимают изображения на вход, читают текст на скриншотах, отвечают по содержимому. Аудио и видео generation в семействе Llama отсутствуют. Голосового режима как у ChatGPT/Gemini — нет, это нужно собирать через сторонние pipelines (Whisper + Llama + Coqui/Bark).

У Qwen vision-стек шире за счёт линейки специализированных моделей: Qwen-VL (несколько поколений) для изображений и видео, Qwen-Audio для аудио-входа. Ключевая фича — Qwen2.5-VL и Qwen3-VL поддерживают video understanding длиннее 20 минут (досье §2 и §4). Это уникально среди open-weight моделей: ни Llama, ни Mistral, ни DeepSeek такой длительности видео-входа не предоставляют. Базовая Qwen-модель — текст-only; vision и audio — отдельные варианты, которые нужно качать отдельно.

Что это значит для практических задач. Если вы анализируете скриншоты дашбордов, чеки, формы — оба семейства работают через свои vision-варианты. Llama 4 Maverick с multimodal vision и Qwen-VL на нашем опыте на типовых задачах с UI-скриншотами дают похожий результат. На задаче «прочитай 30-минутное видео-интервью и сделай выжимку» Qwen-VL — реалистичный self-host вариант, Llama требует pipeline через Whisper + текстовая модель.

Голосовой режим — ни у Llama, ни у Qwen его нет как штатной фичи. Тут оба проигрывают ChatGPT Voice Mode, Gemini Live, Алисе и Салюту. В open-weight нише голос собирается отдельно: Whisper (распознавание) + Llama/Qwen (текст) + Coqui-TTS / Silero (синтез). Это работает, но это инфраструктура, а не «product feature».

Open-source стартап выбирает базовую модель для встроенного code-помощника. Кто стабильнее справляется с боевым Python и фронтенд-кодом — Llama или Qwen?

Код — отдельный сценарий, и у обоих семейств с ним разная история. У Llama в линейке есть legacy-модель Code Llama на базе Llama 2 (досье §4.2), но она устарела по сравнению с современными code-моделями. Современная Llama 4 — это general-purpose, и для кода работает «как универсал»: справляется, но не доминирует на code-бенчмарках. По досье категории text-ai §F7, в нише open-weight кода Llama 4 — «конкурентен в общих задачах», но не флагман.

У Qwen код — стратегическая ниша. Qwen-Coder — отдельная линейка, специально оптимизированная под coding. По досье Qwen §4.1: «Qwen-Coder — один из лидеров среди open-source на coding-бенчмарках» — наряду с DeepSeek-Coder и Mistral Codestral. Qwen3.5 и Qwen3.6 включают новые специализированные coding-варианты. У Qwen-Coder регулярно высокие места на HumanEval и MBPP среди открытых моделей.

Что это значит на типичной задаче. Если речь о Python/JavaScript-функции среднего объёма с обычной библиотечной обвязкой — обе модели справляются. На нашем опыте в boilerplate-задачах разница на уровне ниже шумовой. Различие сказывается на специализированных языках (Rust, Go, TypeScript с продвинутыми типами), сложных рефакторингах и task-completion в IDE-стиле. Здесь Qwen-Coder ровнее держит контекст в больших файлах и реже «теряет» сигнатуры функций при правке.

Agentic coding — отдельная ниша. У Llama есть Llama Stack как фреймворк для production-деплоя (досье §4.2). Это полезная инфраструктурная штука, но это не agentic coding в смысле «модель сама управляет IDE и исполняет команды» — для такого нужно собирать поверх через AutoGen, LangGraph, OpenDevin. У Qwen аналогично: модели поддерживают function calling через API, но «autonomous agent» — это надстройка.

Лицензионный момент: для коммерческого SaaS-продукта с code-assist на борту Apache 2.0 (часть Qwen-моделей) — самый чистый вариант. Llama Community License допускает коммерческое использование для большинства, но с acceptable use policy и фильтром по 700M MAU. Для типичного российского стартапа это не блокер, для глобального консьюмер-продукта — повод прочитать лицензию внимательнее.

Технический директор считает годовой TCO для команды из 10 разработчиков. Веса бесплатные — но «бесплатно» не значит «без затрат». Где реальный счёт ниже?

И Llama, и Qwen — это open-weight семейства. Сами веса — $0. Стоимость возникает в трёх местах: self-host (своё железо или облако), managed inference у провайдеров, consumer-доступ через chat-интерфейсы. У обоих семейств консьюмерский чат бесплатен — у Llama через meta.ai (но он недоступен из РФ без VPN), у Qwen через chat.qwen.ai (открывается из РФ напрямую — досье §7).

Self-host. Для Llama 3.1 405B требуется минимум 8×H100 или эквивалент (досье §3.1). Для Llama 70B — 2×H100 или эквивалент. Для Llama 4 Maverick 400B/17B MoE — нужно держать в памяти все 400B параметров, хотя активны только 17B (досье §12). Это означает: дешёвый inference при дорогом железе. У Qwen стандартный 32B dense-вариант разворачивается на одном H100, MoE-варианты — аналогично Llama в плане GPU-памяти. На consumer GPU (RTX 4090) Qwen3 32B даёт 8–32 tok/s — для офлайн-задач этого достаточно.

Managed API. Через Together AI цена Llama-моделей — $0.20–$2 за 1M токенов в зависимости от размера (досье Llama §3.2). Через Groq на LPU-чипах — близко к Together, но с рекордной скоростью 500–1000 tok/s. Через DashScope Qwen — pay-as-you-go (точные цены на 2026-05 — data gap из досье Qwen §3.2). На сторонних провайдерах (Together, Fireworks, Replicate, HF Endpoints) Qwen-варианты обычно сопоставимы с Llama по цене за токен.

Backend-инженер интегрирует open-weight модель в свой сервис: SDK, лимиты, аптайм, OpenAI-совместимость. Что проще ставить «в продакшен» в марте 2026 — Llama или Qwen?

У Llama API существует только через посредников. Самой Meta API-сервиса с собственным биллингом нет. Доступ — через Together AI, Groq, Fireworks AI, Replicate, AWS Bedrock, Azure AI Foundry, Google Vertex AI (досье §3.2 и §5). Это огромный плюс по гибкости: можно выбрать провайдера по цене, по скорости (Groq для рекордных tok/s), по комплаенсу (AWS/Azure для enterprise), по географии (Vertex для GCP-стека).

У Qwen ситуация смешанная: есть собственная Alibaba DashScope API (досье §3.2), плюс OpenAI-compatible endpoint, плюс managed-варианты через Together, Fireworks, HF Endpoints. То есть свой первый-party API существует (в отличие от Llama), но он завязан на Alibaba Cloud и проще для китайского сегмента. Для международных пользователей DashScope тоже работает, но регистрация и биллинг через Alibaba Cloud International — это лишнее ondоарбординг-усилие по сравнению с привычным Together или OpenAI-стилем.

Что это значит для production-инженера. Если у вас уже есть OpenAI SDK в коде, переключение на Llama через Together или Qwen через OpenAI-compatible endpoint — это 1–2 строки конфигурации. И там, и там работает streaming, function calling, JSON-mode (через прокидывание соответствующих параметров). Лимиты, rate-limits, prompt caching, batch discount — настройки провайдера, не самой модели.

Для российской команды разница вот в чём. Together и Fireworks принимают только зарубежные карты (рубли — через посредников). DashScope для китайских пользователей принимает UnionPay/Alipay, для международных — USD через Alibaba Cloud International (нужна зарубежная карта). Для self-host оплата по сути не нужна — только своё железо или AWS-аккаунт.

Дата-офицер банка ищет open-weight модель, которая поедет в свой ЦОД с аттестацией ФСТЭК. Llama или Qwen — у обоих веса открыты, но дальше нюансы.

Self-host — главное преимущество open-weight, и здесь оба семейства одинаково мощные на старте. Веса Llama скачиваются с llama.com (через форму запроса) или с Hugging Face (huggingface.co/meta-llama, досье §1 и §17). Веса Qwen — с Hugging Face (huggingface.co/Qwen, досье §17). И там, и там доступно через стандартные инструменты: vLLM для production, llama.cpp для CPU/consumer GPU, Ollama для one-click локального запуска, HuggingFace Transformers, TGI.

Лицензионные нюансы. Llama Community License — это не классический open-source: есть acceptable use policy и ограничение «для компаний с >700M MAU нужен спецконтракт с Meta» (досье §3.1). OSI прямо оспаривает использование термина «open-source» в маркетинге Llama. Для подавляющего большинства российских компаний этот фильтр не срабатывает (700M MAU — это уровень Сбера или Яндекса, не среднего бизнеса). Но юристам банков и страховых стоит прочитать лицензию перед коммерческой интеграцией.

У Qwen лицензионная картина смешанная. Часть моделей под Apache 2.0 (включая QwQ-32B-Preview, ряд Qwen2/3 dense-вариантов), часть — под Qwen License (source-available с коммерческими ограничениями), отдельные preview — под research-only лицензией. Точный per-model license map для всех Qwen 3/3.5/3.6 — это явный data gap из досье §3.1 и §12. Это означает: перед коммерческим деплоем конкретной модели Qwen нужно проверить лицензию на её model card.

Российская специфика. И self-host Llama, и self-host Qwen в РФ-периметре формально совместимы с 152-ФЗ при условии аттестации ФСТЭК (досье Llama §7, Qwen §7). Это уникальное преимущество open-weight: ни ChatGPT, ни Claude, ни Gemini в SaaS-режиме на территории РФ не дают такой опции. Альтернатива open-weight для регулируемого сегмента — только GigaChat Enterprise on-prem и YandexGPT через YandexCloud (досье категории §F15-F16).

Маркетолог в Москве хочет попробовать open-weight модель прямо сейчас — без VPN, без зарубежных карт, с русским интерфейсом. У какого сервиса меньше барьеров?

Llama и Qwen — open-weight семейства, и веса с Hugging Face скачиваются из РФ обычно без проблем (если нет временной блокировки HF). На уровне «модель доступна» оба одинаковы. Различия в том, как обстоят дела с consumer-веб-чатом и managed API.

Meta AI Chat (meta.ai) — заблокирован в РФ. Чтобы пользоваться, нужен VPN и аккаунт в нужном регионе (досье Llama §7). Это означает, что для российского пользователя «бесплатный консьюмерский чат» Llama не работает «из коробки». Альтернатива — Hugging Chat, сторонние оболочки типа Poe (доступ из РФ обычно через VPN), Perplexity (использует Llama как одну из base-моделей, но Perplexity сам по себе из РФ блокируется и требует VPN).

chat.qwen.ai открывается из РФ напрямую (досье Qwen §7). Это серьёзная разница: китайский consumer-сервис не попадает под западные санкции и не заблокирован Роскомнадзором (на момент 2026-05-12). Русский интерфейс присутствует, поддержка — на английском и китайском. Регистрация — через Alibaba ID, для физлица типично без проблем с международной картой; для тестовых задач можно использовать бесплатный chat без подписки.

Managed API. Для Llama через Together, Groq, Fireworks обычно нужна зарубежная карта (досье Llama §7). Для self-host оплата не нужна — только своё железо или AWS-аккаунт. Для Qwen через DashScope для китайских пользователей — UnionPay/Alipay; для международных через Alibaba Cloud International — USD-биллинг и зарубежная карта (досье Qwen §7). Через сторонние провайдеры (Together, Fireworks, HF Endpoints) — те же условия, что у Llama.

Юрист корпоративного клиента читает SaaS-политики обработки данных. У одной модели — США и Meta, у другой — Китай и Alibaba. Где компромисс приемлемее?

В open-weight self-host вопрос compliance сводится к «вы сами всё контролируете»: данные не уходят, шифрование — ваше, сертификация — ваша. При SaaS-доступе (Meta AI, DashScope, chat.qwen.ai) — наследуется политика провайдера. И вот тут начинаются различия.

Юрисдикция. Llama — Meta Platforms, США. Все consumer-сервисы Meta попадают под американское законодательство и санкционный режим. Для российского B2B-клиента это означает: нет легального пути использовать meta.ai в режиме обработки персональных данных российских граждан без нарушения 152-ФЗ. Qwen — Alibaba Cloud, КНР. Для западных enterprise и российских регулируемых отраслей в SaaS-режиме это блокер (досье Qwen §12): китайская юрисдикция означает retention-требования и непрозрачность правового режима для данных.

No-training-on-data. У Meta для consumer meta.ai данные могут использоваться «для улучшения моделей» (досье Llama §8) — типичная consumer-практика. У Alibaba DashScope для Enterprise/API — обычно «no training on customer data», для consumer chat.qwen.ai — может использоваться (досье Qwen §8, точная opt-out policy — data gap). Если требуется гарантированное «не учим на ваших данных», в обоих случаях это означает enterprise-тариф или self-host.

Сертификации. Сертификаты SOC 2 Type 2 и ISO 27001 в обоих случаях наследуются от облачного провайдера: AWS Bedrock / Azure / Vertex для Llama, Alibaba Cloud — для Qwen. У Alibaba Cloud собственный широкий набор сертификатов (ISO 27001, SOC 2, PCI DSS — досье Qwen §8), но публичной сводки сертификатов именно для Qwen-сервисов (отдельно от общих сертификатов Alibaba Cloud) на 2026-05-12 в досье явно не подтверждено — это data gap.

Что у каждой модели есть такое, чего нет у конкурента? Это вопрос «за что мы выбираем именно эту базу, когда они обе бесплатные».

У Llama три ярко выраженных уникальных козыря. Первый — 10 миллионов токенов контекстного окна в Llama 4 Scout (досье §4.3). На 2026-05-12 это заявлено как самый большой публично доступный контекст в индустрии. Реальная точность на полном объёме требует независимой верификации (data gap), но сам факт «можем загрузить столько» уже даёт уникальные сценарии: разбор многотомных корпоративных регламентов, code review целой репозитории одной операцией, длинный анализ юридических кейсов с приложениями.

Второй — MoE-архитектура с 17B активных параметров в Llama 4 Maverick (400B total). Активны только 17B на запрос — это качество frontier-модели при стоимости inference 17B-модели (досье §4.3). На GPU это всё ещё дорого (нужно держать в памяти все 400B), но throughput выше, чем у dense-моделей того же класса. Третий — статус «стандарта open-source LLM» (досье §11): большинство open-source AI-стартапов используют Llama как базу для fine-tune, vLLM/Ollama/llama.cpp сначала поддерживают Llama, потом остальных. Это огромный экосистемный эффект.

У Qwen пять уникальных козырей. Первый — 119 языков в Qwen3 (досье §4.3) — самое широкое покрытие среди публично доступных frontier-моделей. Для multilingual-задач (азиатские языки, редкие европейские пары, локальные диалекты) это лидерство. Второй — 18M+ скачиваний одной модели (Qwen3-VL-2B) на Hugging Face и 200 000+ вариаций моделей суммарно (досье §1, §4.3) — рекорд среди open-source.

Третий уникальный козырь Qwen — Apache 2.0 на ряд моделей, включая QwQ-32B-Preview как reasoning-модель (досье §4.3). Это, по нашему мнению, главное юридическое преимущество для коммерческих SaaS-разработчиков: Apache 2.0 разрешает свободное коммерческое использование без acceptable use policy и фильтра по MAU. Четвёртый — Qwen-VL с video understanding длиннее 20 минут (досье §4.3), что в open-weight нише уникально. Пятый — реорганизация под Alibaba Token Hub с марта 2026, что должно ускорить релизы и систематизировать pricing на международных рынках (досье §10).

Когда из двух open-weight выбор очевиден в пользу Llama? Не «вообще», а в конкретных рабочих задачах с конкретными цифрами.

Сценарий 1. Один проход по 1M+ токенов. Юрист разбирает корпоративный регламент группы компаний — 800 страниц основного текста плюс 1200 страниц приложений. RAG возможен, но требует разметки и индексации. Llama 4 Scout с заявленными 10M токенами или Maverick с 1M — единственная open-weight опция, которая в принципе закрывает задачу одним запросом. У Qwen3 стандартный контекст 32K и extended до 128K — этого не хватает. Реальная точность Llama на 10M требует MRCR-проверки, но именно для такой задачи стек строится осмысленно.

Сценарий 2. Локальный AI-помощник на consumer-железе. Дизайнер хочет AI-чат на MacBook M2 Pro без интернета. Llama 3 8B в Ollama ставится в одну команду, Llama 3.3 70B квантизованная — тоже работает на 32–64GB RAM. Качество для типовых текстовых задач достаточное, скорость 20–40 tok/s (досье Llama §6). У Qwen аналогичные dense-варианты есть, но в Ollama-сообществе и tutorial-материалах Llama-моделей в разы больше; это сильно ускоряет первое знакомство.

Сценарий 3. Fine-tune под узкую вертикаль. Медицинский стартап делает помощника по фарм-документации. На Hugging Face — десятки готовых рецептов fine-tune Llama в этой области, плюс инфраструктура (LoRA, QLoRA, axolotl), отточенная именно под Llama-семейство. С Qwen fine-tune-стек тоже работает, но проторённых дорожек меньше, и пайплайны типа axolotl покрывают Qwen с лагом по сравнению с Llama.

Сценарий 4. Редакторский английский. Российский журналист готовит англоязычные материалы для The Verge и Ars Technica. Llama 3.3 70B в творческой и редакционной работе на английском звучит ближе к носителю — следствие большого корпуса английского при обучении. Qwen3 на той же задаче ровно справляется, но стилистика суше и сильнее чувствуется китайская тренировочная база.

Сценарий 5. РФ self-host для русского через fine-tune. «Сайга» — известный open-source fine-tune Llama на русский, существует в нескольких поколениях и активно используется в РФ-стартапах (досье Llama §16). Это не «нативная Llama» побеждает Qwen, это экосистемный эффект: для русского задач есть готовый Llama-fine-tune, для Qwen массовых аналогов в РФ-сообществе на 2026-05 заметно меньше.

А когда из двух open-weight выбор очевиден в пользу Qwen? Тоже пять конкретных задач — с цифрами и пояснением, почему Llama здесь проигрывает.

Сценарий 1. Международный multilingual-продукт. Сервис субтитров и переводов работает с 30+ языками: китайский, японский, корейский, тайский, вьетнамский, арабский, иврит плюс редкие европейские. Qwen3 с 119 языками в тренировочном корпусе (досье §2) — реалистичная база. Llama 4 расширила multilingual, но официальный приоритетный список — 8 языков (для Llama 3.1), и большинство экзотических пар работает хуже Qwen. Это разница на уровне «нужна постредактура каждого выхода» vs «выход годен с первого прохода».

Сценарий 2. Анализ длинных видео. Маркетинговое агентство разбирает видеоконтент клиентов — обзоры на YouTube длиной 25–40 минут. Qwen-VL и Qwen3-VL умеют обрабатывать видео >20 минут на вход штатно (досье §2 и §4). У Llama vision есть, но длинного видео-входа нет — нужен сторонний pipeline (extract-frames + Whisper + текстовый LLM). Это часы инфраструктурной работы против «загрузил и спрашиваешь».

Сценарий 3. Open reasoning в продукте. Образовательный стартап делает помощника по олимпиадной математике для школьников. Нужна reasoning-модель, которую можно self-host (no-training-on-data из коробки) и использовать в коммерческом продукте без лицензионных красных флагов. QwQ-32B-Preview под Apache 2.0 (досье Qwen §4.3) — единственная такая опция среди open-weight на 2026-05-12. У Llama своей reasoning-модели нет вообще, аналога QwQ не существует.

Сценарий 4. Коммерческий code-помощник под чистой лицензией. SaaS-стартап встраивает code-completion в свой IDE-плагин. Нужна Apache 2.0 (чистая для коммерции), и нужно «лучшее open-source для кода». Qwen-Coder под Apache 2.0 — рабочий вариант (досье Qwen §4.3, §11). Llama Code Llama — legacy на Llama 2 и под Llama Community License с её ограничениями. Юридически Qwen-стек чище.

Сценарий 5. «Быстро попробовать без VPN». Маркетолог или копирайтер из Москвы хочет провести 50 запросов в течение часа и оценить, годится ли open-weight для его задач. chat.qwen.ai открывается из РФ напрямую, русский интерфейс есть, бесплатно (досье §7). meta.ai из РФ требует VPN и аккаунта в нужном регионе. Для одиночного быстрого теста разница на уровне «открыл и поехал» vs «настраиваю инфраструктуру».

Пять реальных профилей читателей AIRatings — кому из них что брать и почему. Без «оба сервиса хороши».

Юрист корпоративной практики в Москве, проверяет 200–500-страничные сделки. Берёт Llama 4 Scout (10M контекст) или Maverick (1M) через self-host в собственном периметре с ФСТЭК-аттестацией — это единственный open-weight путь к «одному проходу» по огромному документу. Для русского — fine-tune «Сайга» на Llama 70B в качестве вспомогательной модели. Не Qwen: у Qwen 32K стандартного контекста для типовых юрдоков мало.

ML-инженер open-source стартапа, прототипирует SaaS-продукт. Берёт Qwen3 32B под Apache 2.0 или QwQ-32B-Preview, если задача про reasoning. Apache 2.0 — главный аргумент: при выходе в коммерциализацию не нужно перечитывать acceptable use policy и беспокоиться о MAU-фильтре. Не Llama: Llama Community License на горизонте 1–3 лет потенциально создаёт юридические вопросы для глобального SaaS.

Контент-агентство в Берлине с клиентами в Азии и СНГ. Qwen3 + Qwen-VL: 119 языков покрывают и азиатский, и редкий европейский корпус; видео-vision 20+ минут закрывает разбор интервью и youtube-обзоров без сторонних пайплайнов. Llama на multilingual проигрывает, на видео без сторонних пайплайнов не работает.

Дизайнер-фрилансер, ставит локальный AI-чат на MacBook M2. Llama в Ollama: одна команда, тысячи tutorial-материалов, проверенные quantized-версии 8B и 70B. Качество для типовых текстовых задач достаточное, без интернета. Qwen на той же машине тоже работает, но проторённых дорожек ощутимо меньше — это решение для энтузиаста, а не «попробовал и работает».