Състояние на отворените модели: наблюдения от лятото на 2026 г.
Моделите и наборите от данни в хъба на HF нарастват ежедневно. Публичните хранилища за модели се увеличиха от 2,43 на 2,96 милиона за разглеждания период, наборите от данни — от 711 000 на 1 милион, а Spaces — от 1,00 на 1,44 милиона. Разпределението обаче остава изключително неравномерно: приблизително 85,6% от моделите имат по-малко от 200 изтегляния за целия си живот, а 1,5% от хранилищата отговарят за 99,2% от всички изтегляния. Всичко описано по-долу се случва в рамките на тази структура.
1. Границата се измества бързо
Преди имаше ясен път на развитие: лабораториите започваха с по-малки модели и постепенно се насочваха към горния край на скалата. През 2026 г. няколко китайски лаборатории изцяло прескочиха този етап.
Почти всеки месец през 2026 г. най-големият и най-производителният отворен модел от китайска лаборатория беше по-голям от всичко, което американска лаборатория е публикувала самостоятелно. Месечният максимум на Китай варираше между 754 млрд. и 2,78 трилиона параметъра; американският максимум остана под 130 млрд. през пет от седемте месеца. Изключенията бяха Nemotron 3 Ultra на NVIDIA с 561 млрд. параметъра през май и юни, както и Inkling от Thinking Machines Lab.
Графиката разделя лабораториите на два лагера. Moonshot, MiniMax, Xiaomi и Z.ai почти не публикуват модели под 70 млрд. параметъра, така че първият досег на разработчика с тях е модел, твърде голям за стартиране на притежаваното от него устройство. Tencent и Alibaba Qwen вместо това покриват целия диапазон — от под 1 млрд. нагоре.
Две неща направиха възможен първия лагер. Създаването на големи модели престана да бъде отличителен фактор. Xiaomi и Meituan и двете преминаха границата от трилион параметри тази година, а преди дванадесет месеца нито една от тях не беше познато име в света на отворените тегла. Освен това лабораторията вече не трябва да пуска малък модел, за да бъде достъпна, защото слоят за квантизация на общността ще направи големия модел работещ в рамките на дни — зависимост, към която ще се върнем по-долу.
Така профилът на размера се превръща по-скоро в заявка за намерения, отколкото за възможности. Портфолио, фокусирано само върху границата, залага всичко на позицията в бенчмарковете и търсенето на API. Портфолио с пълен спектър е опит да се превърне в семейството, което разработчиците ще стандартизират. И двете стратегии са рационални — просто се състезават за различни награди.
Междувременно Съединените щати не отсъстват от отворения код.
Двете организации, публикували най-много нови отворени модели тази година, са и компаниите, които произвеждат хардуера: AMD и NVIDIA. Всяка от тях пусна над 200 нови хранилища за модели, далеч пред останалите, а LiquidAI зае трето място с около 100. Производителите на хардуер осъзнаха, че отворените модели са начин за продажба на чипове: модел, оптимизиран за вашия хардуер и свободно достъпен, е най-ясното доказателство, че хардуерът работи.
Когато се включат по-малките модели и моделите за вграждане, при които Google, Microsoft, IBM Granite и по-старите модели за зрение и реч на OpenAI генерират стотици милиони изтегляния годишно, участието на САЩ в отворения код на ИИ все още нараства.
Центърът на тежестта обаче се измести. Google и Meta вече са доста под NVIDIA по брой нови модели, въпреки че именно тези компании определяха публикуването на отворени модели през предходните години. Преминаването на Meta към затворени водещи модели допълнително подчертава тази промяна. Отвореният код се премести от лабораториите за модели към хардуерните и инфраструктурните компании.
При моделите от граничен мащаб картината е много различна. Повечето американски издания над 100 млрд. параметъра тази година не са нови модели, а са изградени върху китайски модели. Само няколко големи оригинални американски модела се появяват в този мащаб: Inkling на Thinking Machines (952 млрд.), Nemotron 3 Ultra на NVIDIA (561 млрд.), Nemotron 3 Super (124 млрд.) и Trinity-Large на Arcee AI (399 млрд.).
AMD допринесе с множество конверсии, но без оригинален модел в този мащаб. Тази работа все пак е важна: тя позволява на китайски модели с трилиони параметри да работят ефективно на американски хардуер. Но тя представлява слой за дистрибуция и оптимизация, а не за създаване на модели.
Междувременно китайските отворени модели все повече се оптимизират за местни чипове — същата конкуренция в обратна посока, при която моделите се проектират около конкретни хардуерни екосистеми.
2. Внимание ≠ възприемане
Взехме 25-те водещи хранилища за модели по изтегляния, натрупани тази година, и 25-те водещи по харесвания. Точно едно хранилище присъства и в двата списъка.
Броихме изтеглянията в рамките на периода, а не за целия живот, така че нищо не получава предимство само защото е съществувало по-дълго; коригирането спрямо възрастта прави разделението още по-ясно. Нито един модел, публикуван през 2026 г., не достига топ 25 по изтегляния, докато тринадесет от двадесет и петте датират от 2022 г. all-MiniLM-L6-v2 е изтеглен 1,55 млрд. пъти за седем месеца срещу 5156 харесвания; Kimi-K3 е изтеглен около 60 пъти за всяко получено харесване.
Двете числа отчитат различни действия. Харесването показва, че дадено издание е важно, и се насочва към гранични модели през седмиците след публикуването им. Изтеглянето показва, че нещо е включено в процес, който се изпълнява по график, и се натрупва при малки, стабилни модели в продължение на години. Харесванията са правилният инструмент за разбиране на това, което вълнува областта, а изтеглянията — за това от какво тя зависи в момента. Приемането на едното като заместител на другото е най-честата грешка, която виждаме в отразяването на Hub, включително в по-ранната ни работа. Същото разделение се появява и на ниво издател.
Китайските гранични лаборатории са единствените акаунти в Hub, при които тежката категория носи основния обем. На практика всички изтегляния на MiniMax през 2026 г. са на модели над 70 млрд. параметъра, както и 88% от тези на Moonshot, 55% от тези на DeepSeek и 39% от тези на Z.ai. Нито един голям американски акаунт не изглежда така: Google, Microsoft и IBM Granite практически нямат изтегляния над 70 млрд., а при NVIDIA и Meta делът е съответно само 14% и 9%.
Разликата става още по-ясна при общия брой изтегляния. Портфолиото на Moonshot, състоящо се само от гранични модели, е регистрирало 37 млн. изтегляния през годината, докато по-широката стратегия на Qwen в различни размери е достигнала 2045 млн. (в хранилища с обявен брой параметри; 2061 млн., включително всички хранилища) — около 55 пъти повече. Продължаващото разширяване на семейството, от Qwen 3.8 Max с 2,4 трилиона параметри до по-малки варианти като 27B, показва същия фокус върху покриването на различни случаи на употреба.
Времето също играе важна роля. Повечето модели преживяват рязък спад в употребата след публикуването си, последван от дълга опашка на постоянна активност. Възприемането на даден модел до голяма степен се определя през първите му няколко месеца.
Това помага да се обясни защо днешният обем на изтеглянията често се определя не от най-новите издания, а от по-малка група модели, превърнали се с времето в утвърдена инфраструктура.
3. Отворените тегла променят мястото, където се натрупва стойност
Ако граничните модели бяха лицензионен бизнес, бихте очаквали най-големите издания да са обвързани с най-строгите условия. Данните по-долу обаче показват различна картина.
От 178 китайски издания над 20 млрд. параметъра тази година 59% са с Apache 2.0, а 22% — с MIT, и точно нито едно не съдържа ограничение за нетърговска употреба.
DeepSeek и Z.ai пускат модели между 700 млрд. и 1,65 трилиона параметри под стандартния MIT лиценз. Китайските лаборатории лицензират най-големите си модели приблизително толкова либерално, колкото и най-малките, и по-либерално от американските лаборатории: при американските модели в същия диапазон 29% са под Apache или MIT, 41% са под персонализирани условия, а 30% изобщо не посочват лиценз.
Каквото и да е предназначението на тези издания, то не е приход от лицензи. Теглата се предоставят при най-либералните налични условия. Възвръщаемостта трябва да идва от друго място: API и облачен бизнес, позициониране на хардуер и платформа или самата позиция в екосистемата. Например оценките на Z.ai и Kimi сочат към ефективна стратегия за отворен код, която осигурява популярност и възможности за растеж в общността. В бъдеще обаче индустрията вероятно ще се насочи към по-ясни пътища за монетизация на възприемането на отворения код.
4. Qwen се превърна в базовия модел на общността
Позицията на даден модел в екосистемата не се определя само от собствените му издания, а и от това колко много изгражда общността върху него. Както беше споменато по-горе, Qwen е едно от изключенията, което получава едновременно внимание и възприемане.
Данни от Hugging Face
По този показател Qwen се е превърнал в една от най-големите основи в екосистемата на отворените модели. Моделите, базирани на Qwen, вече представляват 151 448 производни модела в Hub — 2,6 пъти повече от общия отпечатък на Meta и 4,7 пъти повече от хранилищата, базирани конкретно на Llama. Google следва с 82 506 производни модела. Третият по големина източник е Unsloth — общностен акаунт, публикуващ квантизирани и готови за дообучаване версии, много от които допълнително разширяват екосистемата на Qwen.
Производните модели на Qwen са се увеличавали с приблизително 180–210 нови хранилища дневно през първите седем месеца на 2026 г., което показва, че възприемането не се движи само от отделни премиери. Qwen се е превърнал в част от стандартния работен процес за разработчиците, които решават кои модели да дообучат и внедрят.
Няколко фактора допринесоха за тази позиция. Първо, последователност. Qwen поддържа редовен ритъм на изданията, като непрекъснато обновява семейството си от модели, вместо да разчита на случайни водещи издания. Второ, покритие. Публикува модели в широк диапазон от размери и случаи на употреба, което позволява на разработчиците да останат в една и съща екосистема независимо дали им е необходим малък локален модел или по-голям модел за внедряване. Трето, отвореност. Лицензирането по Apache 2.0 намалява пречките пред модифицирането, повторното разпространение и търговската употреба.
Тези фактори се подсилват взаимно. Широкото семейство от модели привлича повече разработчици; повече разработчици създават повече производни модели; а тези производни модели правят екосистемата по-привлекателна за бъдещите потребители.
Тази позиция е изградена до голяма степен от общността. 151 448-те производни модела представляват последваща работа, създадена от други разработчици, а не издания, произведени от самия Qwen. Дори сред 28 531 GGUF конверсии на модели Qwen в Hub, Qwen е публикувал само 54.
5. Малките модели остават практичният слой
Сред моделите, които посочват броя на параметрите си, тези под 1 млрд. отговарят за 83% от всички изтегляния за целия период, а всички над 100 млрд. — за 1%. Ограничаването до изтеглянията, натрупани през 2026 г., не променя нищо: само 3% от обема се пада на модели над 70 млрд. Това е заключението от март, което се потвърди най-ясно, по същата причина като преди — малките модели са единствените, които работят на хардуера, с който всъщност разполагат повечето разработчици.
Как тогава модел с трилион параметри достига до някого? Чрез llama.cpp.
През февруари екипът на ggml се присъедини към Hugging Face, като проектът остана изцяло с отворен код, управляван от общността и в същата техническа посока. Промяната е, че най-важният проект за локално изпълнение вече разполага с устойчиви ресурси.
Таванът се измести благодарение на llama.cpp. Юлската снимка на състоянието включва GGUF версии на DeepSeek-V4-Flash с приблизително 284 млрд. параметъра и Kimi-K3 с приблизително 2,8 трилиона. Преди локалното изпълнение означаваше 8B модел на лаптоп. Сега то означава смес от експерти с трилион параметри, разпределена между няколко потребителски машини — алтернативен маршрут, с който границата не разполагаше преди година, и причината стратегията, фокусирана първо върху граничните модели, изобщо да е жизнеспособна.
И този маршрут минава през Qwen: 39,6 милиона GGUF изтегляния месечно — почти два пъти повече от 20,8-те милиона на Gemma и над пет пъти повече от 7,5-те милиона на Llama. Разликата при Llama не е проблем с предлагането — хранилищата на GGUF модели, производни на Llama, са малко повече от тези на Qwen. Същото място на рафта, една пета от трафика.
Хранилищата за модели нараснаха с 21,5% през тези седем месеца. Няколко свързани с тях неща нараснаха в пъти по-бързо.
Хранилищата, посочващи библиотеката gguf, се увеличиха с 464%, lerobot — с 194%, а Apple mlx — с 148%, спрямо 16% за transformers и peft и 21% за diffusers. Ядрото за моделиране нараства приблизително със средния темп на платформата. Слоят, който определя къде физически може да работи даден модел — локални формати за изпълнение, Apple silicon, стекове за управление на роботи — нараства от три до седем пъти по-бързо.
Сред десетте най-големи семейства модели лабораториите зад тях публикуват много малко официални GGUF конверсии. Въпреки това GGUF версиите често са тези, които използват разработчиците, стартиращи модели локално. Предоставянето на официална конверсия при публикуването, документирането на изборите за квантизация и подписването на артефактите биха изисквали ограничени допълнителни усилия. Вместо да поддържат този процес вътрешно, лабораториите биха могли да си сътрудничат със съществуващи участници в екосистемата като Unsloth. Така би се намалила разликата между теглата, тествани от създателите на моделите, и версиите, възприети от по-широката общност.
6. Агентите са новият потребител
Не бихме могли да напишем този раздел през март, защото необходимият инструмент не съществуваше. Наборът от данни agent-usage, публикуван през юли, записва токена agent/<name>, който кодиращите агенти изпращат, когато извикват Hub чрез huggingface_hub или hf CLI — търсят модели, качват набори от данни, изпълняват Jobs, създават Spaces. За първи път можем да видим колко агентски трафик получава Hub и от кои инструменти идва.
Claude Code водеше през юли с 44,4%, но един месец прикрива същинското откритие: делът му беше 67,8% през април и 6,4% през май, докато Codex постепенно се изкачи от 10,4% до 20,8%. Това е пазар без утвърден лидер, в който едно издание или една променена настройка по подразбиране може да премести половината трафик за месец.
Второто откритие е нерегистрираният ред. Почти една четвърт от маркирания като агентски трафик през юли идва от инструменти, които все още не са посочени в набора от данни, а през май този дял е бил 59,8%. Между април и юли се появиха над дузина нови идентификатори на клиенти. Нови участници навлизат по-бързо, отколкото който и да е регистър може да ги именува — и именно това е откритието.
През голяма част от годината изграждахме за този читател, а не само за човешките посетители. През март научните статии започнаха да предоставят машинночетим Markdown. През април се появиха агентските следи като първокласен тип набор от данни и endpoint agents.md във всеки Gradio Space, така че агентът да може да прочете API на даден Space и да го извика директно. През юли се появи инструментът hf_fs на нашия MCP сървър, който предоставя хранилища, хранилище за данни, документация и научни статии чрез единен интерфейс с малко над хиляда токена, наред със свързваеми пясъчници за сигурно изпълнение. Същото консолидиране се случи и на протоколно ниво, като MCP премина към Agentic AI Foundation на Linux Foundation.
След това, през юли, агентът престана да бъде читател и се превърна в натрапник. При нас се случи първият документиран случай, изглежда, на автономен агент, който по собствена инициатива е извършил продължителна кибератака. Докато екипът ни се опитваше да използва затворени гранични модели, за да анализира заснетия код на атаката, техните предпазни механизми отказаха да извършат работата. В крайна сметка анализът беше завършен с квантизиран отворен модел GLM-5.2, работещ върху собствената ни инфраструктура. Публикувахме съобщение и пълна техническа хронология.
Поглед към бъдещето
В сравнение с пролетния доклад географското преразпределение на силата продължава да се ускорява. Американските модели с отворен код продължават да се развиват, но съревнованието между няколко китайски гранични модела също привлича силно внимание в общността. Многото харесвания на тези гранични модели показват какво вълнува общността най-много и разкриват възможности за растеж на компаниите, които използват това внимание за повишаване на оценките си.
Надпреварата в ИИ обаче не е само спринт, а и маратон. Инструменти като llama.cpp помагат за локалното внедряване на големите модели, но широкото семейство от модели и неговото възприемане остават ключът към изграждането на положителен цикъл на обратна връзка между разработчиците, издателите и бъдещите потребители. Моделите, вградени в инфраструктурата и превърнали се в част от екосистемата, могат в крайна сметка да доведат до търговски успешно развитие.
В крайна сметка, след като за първи път агентите станаха потребител номер едно в HF Hub, следващият доклад може да изглежда съвсем различно.
Както при ИИ, няколко месеца могат да преобразят екосистемата.
Бележки относно методологията
Този анализ се основава на активността, наблюдавана в Hugging Face Hub през първите седем месеца на 2026 г.
Показателите, използвани в този доклад, включително изтегляния, харесвания, производни модели и издания на модели, отразяват различни аспекти на активността в екосистемата. Те не трябва да се тълкуват като директни измерители на качеството на моделите, търговското възприемане или общия пазарен дял.
Изтеглянията показват употребата в екосистемата на Hub, но не отчитат използването на API, частните внедрявания или моделите, разпространявани чрез други канали.
Харесванията отразяват вниманието и интереса на общността, докато производните модели дават представа доколко разработчиците изграждат върху съществуващ модел.
Тъй като възприемането на ИИ с отворен код се случва по множество канали, активността в Hub трябва да се разглежда като една от гледните точки към развитието на екосистемата, а не като цялостно измерване на пазара на ИИ.
Модели, споменати в тази статия 2
Набори от данни, споменати в тази статия 1
Колекции, споменати в тази статия 3
Общност
· Регистрирайте се или влезте, за да коментирате
Модели, споменати в тази статия 2
Набори от данни, споменати в тази статия 1
Колекции, споменати в тази статия 3
Преведено автоматично от английски. Оригиналната статия е на връзката по-долу.