开放模型现状:2026 年夏季观察

2026-08-20 · Hugging Face

开放模型现状:2026 年夏季观察

发布日期:2026年8月14日

Hub规模持续高速增长

2026年上半年,Hugging Face平台上的开放AI资源继续呈现爆炸式增长。公共模型仓库从年初的243万增至夏季的296万,增长超过21%。数据集从71.1万增加到100万,Spaces则从100万增长至144万。

然而,这种增长背后是极度不均衡的幂律分布:约85.6%的模型终身下载量不足200次,仅1.5%的仓库却贡献了99.2%的总下载量。本报告所有观察均发生在这个高度集中的使用结构之中。

1. 前沿推进速度极快,中国实验室主导规模

传统的开放模型发布路径曾是:实验室先发布较小模型,再逐步向更大规模迭代。但在2026年,多家中国实验室完全跳过了这一路径。

在2026年几乎每个月,中国实验室发布的有史以来最大且性能最强的开放模型,其参数规模都超过了同期美国实验室发布的任何模型。中国实验室的月度参数上限在754B至2.78万亿参数之间波动;而美国实验室在七个月中有五个月的最大模型参数保持在130B以下,仅在5-6月NVIDIA发布的Nemotron 3 Ultra(561B)以及Thinking Machines Lab的Inkling例外。

中国实验室形成了两种清晰的策略阵营:

  • 前沿专注型:Moonshot、MiniMax、Xiaomi、Z.ai几乎不发布70B以下模型,开发者第一次接触它们便是无法在个人设备上直接运行的超大模型。
  • 全谱系型:Tencent和Alibaba Qwen则从1B以下一直覆盖到数百亿参数,试图成为开发者标准化的“模型家族”。

这种前沿专注策略成为可能,有两个关键因素:一是构建超大模型已不再是显著的差异化优势,Xiaomi、Ant Group、Meituan等公司在年内均突破万亿参数,且在12个月前它们在开放权重领域还并非家喻户晓;二是社区量化工具发展迅速,大模型发布后几天内即可被高效量化并在消费级硬件上运行。

因此,模型规模本身已成为一种意图声明而非单纯的能力展示。前沿专注组合押注基准测试排名和API需求,全谱系组合则旨在成为开发者长期依赖的基础设施。两者均是理性的不同赛道选择。

美国并未缺席开放生态

2026年发布新开放模型仓库最多的两个机构正是硬件巨头AMD和NVIDIA,两者均发布了超过200个新模型仓库,远超其他参与者,LiquidAI位居第三(约100个)。硬件厂商已明确将开放模型作为推广自家芯片的重要手段——一个针对其硬件优化且完全免费的高性能模型,是证明硬件价值的最好证据。

若将中小模型和embedding模型纳入统计,Google、Microsoft、IBM Granite以及OpenAI早期视觉和语音模型每年仍贡献数亿下载,美国开放AI生态整体仍在增长。NVIDIA的Nemotron系列展现出高性能表现,Meta也通过Muse Glimmer等项目重燃开放传统。

在百亿参数以上前沿尺度,美国今年发布的部分大型模型建立在中国模型基础之上或使用了中国实验室的artifact,例如Thinking Machines Lab的Inkling(952B)。美国主要的原创大型模型包括NVIDIA Nemotron 3 Ultra(561B)、Nemotron 3 Super(124B)和Arcee AI的Trinity-Large(399B)。AMD贡献了大量模型转换工作,使万亿参数模型能够在美系硬件上高效运行,这构成了重要的分发与优化层。

与此同时,中国开放模型则越来越针对国内特定芯片进行优化,形成了硬件生态的镜像竞争。

2. 关注度不等于采用度

对2026年累计下载量前25的模型仓库与点赞数前25的仓库进行对比,发现仅有1个仓库同时出现在两个榜单。

统计采用的是当年窗口期下载量而非终身下载,因此排除了单纯因为存在时间更长而积累的优势,这一控制使差异更加显著。2026年发布的所有模型均未进入下载前25,而下载前25中有13个模型发布于2022年。

典型案例如all-MiniLM-L6-v2在七个月内下载量达15.5亿次,却仅获得5156个点赞;Kimi-K3的下载与点赞比约为60:1。

点赞和下载代表完全不同的用户行为:点赞反映模型发布时社区的兴奋程度,主要给予前沿新模型;下载则代表该模型已被深度嵌入到稳定运行的生产流水线中,长期积累在小而稳定的经典模型上。

这一分化也体现在发布者层面。中国前沿实验室是Hub上少数“大模型承载主要下载量”的账号:MiniMax 2026年几乎所有下载均来自70B以上模型,Moonshot达88%,DeepSeek达55%,Z.ai达39%。而美国主要机构则完全相反:Google、Microsoft、IBM Granite 2026年下载中几乎没有70B以上模型,NVIDIA和Meta也仅占14%和9%。

总量差异更为惊人:Moonshot凭借纯前沿策略全年获得约3700万下载,而Qwen通过全尺寸覆盖策略达到了20.45亿下载(跨多个仓库)。

这一发现表明,将点赞或下载任一指标作为对方代理,都是当前对Hub分析中最常见的误区。

原文链接