開放模型現狀:2026 年夏季觀察

2026-08-20 · Hugging Face

開放模型現狀:2026 年夏季觀察

釋出日期:2026年8月14日

Hub規模持續高速增長

2026年上半年,Hugging Face平臺上的開放AI資源繼續呈現爆炸式增長。公共模型倉庫從年初的243萬增至夏季的296萬,增長超過21%。資料集從71.1萬增加到100萬,Spaces則從100萬增長至144萬。

然而,這種增長背後是極度不均衡的冪律分佈:約85.6%的模型終身下載量不足200次,僅1.5%的倉庫卻貢獻了99.2%的總下載量。本報告所有觀察均發生在這個高度集中的使用結構之中。

1. 前沿推進速度極快,中國實驗室主導規模

傳統的開放模型釋出路徑曾是:實驗室先發布較小模型,再逐步向更大規模迭代。但在2026年,多家中國實驗室完全跳過了這一路徑。

在2026年幾乎每個月,中國實驗室釋出的有史以來最大且效能最強的開放模型,其引數規模都超過了同期美國實驗室釋出的任何模型。中國實驗室的月度引數上限在754B至2.78萬億引數之間波動;而美國實驗室在七個月中有五個月的最大模型引數保持在130B以下,僅在5-6月NVIDIA釋出的Nemotron 3 Ultra(561B)以及Thinking Machines Lab的Inkling例外。

中國實驗室形成了兩種清晰的策略陣營:

  • 前沿專注型:Moonshot、MiniMax、Xiaomi、Z.ai幾乎不釋出70B以下模型,開發者第一次接觸它們便是無法在個人裝置上直接執行的超大模型。
  • 全譜系型:Tencent和Alibaba Qwen則從1B以下一直覆蓋到數百億引數,試圖成為開發者標準化的“模型家族”。

這種前沿專注策略成為可能,有兩個關鍵因素:一是構建超大模型已不再是顯著的差異化優勢,Xiaomi、Ant Group、Meituan等公司在年內均突破萬億引數,且在12個月前它們在開放權重領域還並非家喻戶曉;二是社群量化工具發展迅速,大模型釋出後幾天內即可被高效量化並在消費級硬體上執行。

因此,模型規模本身已成為一種意圖宣告而非單純的能力展示。前沿專注組合押注基準測試排名和API需求,全譜系組合則旨在成為開發者長期依賴的基礎設施。兩者均是理性的不同賽道選擇。

美國並未缺席開放生態

2026年釋出新開放模型倉庫最多的兩個機構正是硬體巨頭AMD和NVIDIA,兩者均釋出了超過200個新模型倉庫,遠超其他參與者,LiquidAI位居第三(約100個)。硬體廠商已明確將開放模型作為推廣自家晶片的重要手段——一個針對其硬體最佳化且完全免費的高效能模型,是證明硬體價值的最好證據。

若將中小模型和embedding模型納入統計,Google、Microsoft、IBM Granite以及OpenAI早期視覺和語音模型每年仍貢獻數億下載,美國開放AI生態整體仍在增長。NVIDIA的Nemotron系列展現出高效能表現,Meta也透過Muse Glimmer等專案重燃開放傳統。

在百億引數以上前沿尺度,美國今年釋出的部分大型模型建立在中國模型基礎之上或使用了中國實驗室的artifact,例如Thinking Machines Lab的Inkling(952B)。美國主要的原創大型模型包括NVIDIA Nemotron 3 Ultra(561B)、Nemotron 3 Super(124B)和Arcee AI的Trinity-Large(399B)。AMD貢獻了大量模型轉換工作,使萬億引數模型能夠在美系硬體上高效執行,這構成了重要的分發與最佳化層。

與此同時,中國開放模型則越來越針對國內特定晶片進行最佳化,形成了硬體生態的映象競爭。

2. 關注度不等於採用度

對2026年累計下載量前25的模型倉庫與點贊數前25的倉庫進行對比,發現僅有1個倉庫同時出現在兩個榜單。

統計採用的是當年視窗期下載量而非終身下載,因此排除了單純因為存在時間更長而積累的優勢,這一控制使差異更加顯著。2026年釋出的所有模型均未進入下載前25,而下載前25中有13個模型釋出於2022年。

典型案例如all-MiniLM-L6-v2在七個月內下載量達15.5億次,卻僅獲得5156個點贊;Kimi-K3的下載與點贊比約為60:1。

點贊和下載代表完全不同的使用者行為:點贊反映模型釋出時社群的興奮程度,主要給予前沿新模型;下載則代表該模型已被深度嵌入到穩定執行的生產流水線中,長期積累在小而穩定的經典模型上。

這一分化也體現在釋出者層面。中國前沿實驗室是Hub上少數“大模型承載主要下載量”的賬號:MiniMax 2026年幾乎所有下載均來自70B以上模型,Moonshot達88%,DeepSeek達55%,Z.ai達39%。而美國主要機構則完全相反:Google、Microsoft、IBM Granite 2026年下載中幾乎沒有70B以上模型,NVIDIA和Meta也僅佔14%和9%。

總量差異更為驚人:Moonshot憑藉純前沿策略全年獲得約3700萬下載,而Qwen透過全尺寸覆蓋策略達到了20.45億下載(跨多個倉庫)。

這一發現表明,將點贊或下載任一指標作為對方代理,都是當前對Hub分析中最常見的誤區。

原文連結