Hugging Face发布开源模型夏季观察报告

Hugging Face Hub 上的模型和数据集每日都在增长。公开模型仓库从 243 万增长到 296 万，数据集从 71.1 万增长到 100 万，Spaces 从 100 万增长到 144 万。其背后的分布极为极端，大约 85.6% 的模型累计下载量不足 200 次，而 1.5% 的仓库贡献了 99.2% 的全部下载量。以下所有现象都发生在这个格局之内。

1. 前沿正在快速移动

过去有一条清晰的演进路径：实验室会先发布较小的模型，然后逐步向规模顶端迈进。2026 年，几家中国实验室完全跳过了这一渐进过程。

在 2026 年的几乎每个月，中国实验室发布的最大且性能最强的开源模型，都大于美国实验室自主发布的任何模型。中国的月度天花板在 7540 亿到 2.78 万亿参数之间波动；而美国有五个月份的天花板低于 1300 亿，例外是 NVIDIA 的 Nemotron 3 Ultra（5 月和 6 月为 5610 亿）以及 Thinking Machines Lab 的 Inkling。

上图将各实验室分为两类。Moonshot、MiniMax、小米和 Z.ai 几乎不发布 700 亿参数以下的模型，因此开发者对他们的第一印象就是一个大到无法在自有设备上运行的模型。腾讯和阿里通义千问则覆盖全量范围，从 10 亿以下起步。

第一类玩法的出现源于两个条件。构建大模型不再是一种差异化能力。小米和美团今年都突破了万亿参数，而一年前它们在开源权重领域还默默无闻。同时，实验室也无需再发布小模型来建立存在感，因为社区的量化层会在几天内让大模型变得可运行——这一点我们稍后会再展开。

因此规模画像成了一种意图声明而非能力宣示。前沿唯一下注的是基准排名和 API 需求。全谱覆盖则旨在成为开发者统一使用的标准family。两者都是理性选择，只是追求的目标不同。

与此同时，美国并未缺席开源领域。

今年发布新开源模型最多的两个组织，同时也是生产硬件的公司：AMD 和 NVIDIA。各自发布了超过 200 个新模型仓库，远超其他厂商，LiquidAI 以约 100 个排名第三。硬件厂商意识到开源模型是销售芯片的途径：针对自家硬件优化且免费提供的模型，是证明硬件能力的最有力证据。

如果算上小模型和嵌入模型——Google、Microsoft、IBM Granite 以及 OpenAI 较旧的视觉和语音模型每年产生数亿下载量——美国在开源 AI 领域的参与度仍在增长。

然而重心已经转移。Google 和 Meta 如今在新模型发布量上远远落后于 NVIDIA，尽管它们是前几年定义开源模型发布格局的公司。Meta 转向闭源旗舰模型的策略进一步凸显了这一变化。开源已从模型实验室转移到硬件和基础设施公司。

在前沿规模层面，图景则截然不同。今年美国发布的 1000 亿参数以上的大多数版本并非全新模型，而是基于中国模型构建。在这一规模上出现的美国原创大型模型寥寥无几：Thinking Machines 的 Inkling（9520 亿）、NVIDIA 的 Nemotron 3 Ultra（5610 亿）、Nemotron 3 Super（1240 亿）以及 Arcee AI 的 Trinity-Large（3990 亿）。

AMD 贡献了大量模型转换，但没有在这一规模上发布原创模型。这项工作仍然很重要：它让万亿参数的中国模型能够高效运行在美国的硬件上。但它代表的是分发和优化层，而非模型创作。

与此同时，中国的开源模型正越来越多地针对国产芯片进行优化——一场反向的竞争，模型围绕特定的硬件生态系统进行设计。

2. 关注度 ≠ 采用率

我们提取了今年累计下载量前 25 的模型仓库和点赞量前 25 的模型仓库。两个榜单中恰好只有一个仓库重叠。

我们统计的是窗口期内的下载量而非累计量，因此不为存在时间更长而计功，控制了年龄因素后分歧更加清晰。2026 年发布的模型无一进入下载量前 25，而 25 个中有 13 个来自 2022 年。all-MiniLM-L6-v2 在七个月内被下载 15.5 亿次，获得 5156 个点赞；Kimi-K3 每次点赞大约带来 60 次下载。

这两个数字记录的是不同行为。点赞表明一个发布值得关注，流向发布后几周的前沿模型。下载表明某个模型被接入了定时运行的流水线，日积月累流向小而稳定的模型。点赞是读取领域热点的合适指标，下载量是读取当前依赖方向的合适指标。将两者互为代理是我们见过的 Hub 报道中最常见的错误，包括我们自身早期的作品。这种分歧在发布者层面同样存在。

中国前沿实验室是 Hub 上唯一 heavy band 承载交易量的账户。MiniMax 2026 年的下载几乎全部来自 700 亿参数以上的模型，Moonshot 为 88%，DeepSeek 为 55%，Z.ai 为 39%。没有任何大型美国账户呈现这种特征：Google、Microsoft 和 IBM Granite 的 2026 年下载几乎没有任何来自 700 亿以上参数，NVIDIA 和 Meta 分别为 14% 和 9%。

这一差异在总下载量上更加清晰。Moonshot 的纯前沿产品组合全年记录了 3700 万次下载，而通义千问更广泛的发布策略覆盖各种模型规模，达到了 20.45 亿次（在声明了参数量的仓库中，26.1 亿次包含所有仓库），大约是前者的 55 倍。模型家族的持续扩展——从 2.4 万亿参数的 Qwen 3.8 Max 到 270 亿等更小变体——展现出同样专注于覆盖不同使用场景的策略。

时间也扮演重要角色。大多数模型在发布后会经历使用量的急剧下降，随后是长期稳定的尾部活动。一个模型的采用率很大程度上由其最初几个月决定。

这有助于解释为什么今天的下载量往往并非由最新发布驱动，而是由一小部分随时间已成为基础设施的模型群体所驱动。

3. 开源权重转移价值积累地

如果前沿模型是一种许可业务，你会预期最大规模的发布携带最严格的授权条款。然而下图显示的是另一个故事。

今年 178 个中国 200 亿参数以上发布中，59% 采用 Apache 2.0，22% 采用 MIT，零个携带任何非商业限制条款。

DeepSeek 和 Z.ai 在 7000 亿到 1.65 万亿参数之间的模型采用纯 MIT 许可。中国实验室对最大模型的授权几乎与最小模型同样宽松，且比美国实验室对其模型的授权更为宽松：同为这一规模区间的美国一侧，29% 为 Apache 或 MIT，41% 处于定制条款下，30% 完全没有声明。

无论这些发布的目的何在，许可收入并非其诉求。权重以最宽松的条款免费提供。回报必然来自其他之处：API 和云业务、硬件和平台定位，或者生态位本身。例如，Z.ai 和 Kimi 的估值指向一种有效的开源策略，在社区中获得关注和增长机会。然而展望未来，业界可能会转向更清晰的开源采用变现路径。

4. 通义千问已成为社区的基础模型

一个模型的生态位不仅由其自身发布决定，还取决于社区在其之上构建了多少东西。如上所述，通义千问是一个在关注度和采用率上都获得关注的例外。

Hugging Face 数据

按这一指标，Qwen 已成为开源模型生态中规模最大的基础之一。基于 Qwen 的模型目前在 Hub 上共有 151,448 个衍生模型，是 Meta 总量的 2.6 倍，是 Llama 仓库数量的 4.7 倍。Google 紧随其后，拥有 82,506 个衍生模型。第三大来源是 Unsloth，这是一个发布量化版和微调构建版的社区账号，其中许多进一步扩展了 Qwen 生态。

2026 年前七个月，Qwen 衍生模型每天以约 180 至 210 个新仓库的速度增长，表明其 adoption 并非仅由单次发布驱动。Qwen 已成为开发者决定微调和部署何种模型时的默认工作流组成部分。

促成这一地位的因素有几个。首先是一致性。Qwen 保持了稳定的发布节奏，持续更新其模型系列，而非依赖偶尔的旗舰发布。其次是覆盖范围。Qwen 在多种规模和用例下发布模型，使开发者无论需要小型本地模型还是大型部署模型，都能留在同一生态内。第三是开放性。Apache 2.0 许可降低了修改、再分发和商业使用的门槛。

这些因素相互强化。广泛的模型系列吸引更多开发者；更多开发者创造更多衍生模型；而这些衍生模型又使生态对未来的用户更具吸引力。

这一地位在很大程度上是由社区构建的。151,448 个衍生模型代表的是其他开发者创建的下游工作，而非 Qwen 自身发布的版本。即使在 Hub 上 28,531 个 Qwen 模型的 GGUF 转换版本中，Qwen 自己发布的也仅有 54 个。

5. 小模型仍然是实际落地层

在声明了参数数量的模型中，1B 以下的模型占据了历史总下载量的 83%，而 100B 以上的模型仅占 1%。将统计范围限制在 2026 年积累的下载量上，结果不变：超过 70B 的模型仅占 3%。这是三月发现中保持得最清晰的结论，原因与之前相同——小模型是唯一能在大多数开发者实际拥有的硬件上运行的模型。

那么，一个万亿参数模型究竟是如何触达用户的？答案是 llama.cpp。

今年 2 月，ggml 团队加入了 Hugging Face，项目保持完全开源、社区治理和技术方向不变。变化在于，本地推理领域最重要的项目如今有了持久的资源支持。

天花板随着 llama.cpp 的到来而抬升了。7 月的快照携带了 DeepSeek-V4-Flash 约 284B 参数和 Kimi-K3 约 2.8 万亿参数的 GGUF 构建版。本地推理曾经意味着在笔记本电脑上运行一个 8B 模型。现在它意味着将一个万亿参数的混合专家模型分散在几台消费级机器上运行——这是前沿模型一年前没有的另一条路径，也是一年前旗舰优先发布策略能够成立的原因。

而这条路跑在 Qwen 上：每月 3,960 万次 GGUF 下载，接近 Gemma 2,080 万次的两倍，是 Llama 750 万次的五倍以上。Llama 的差距不在供给侧——Llama 衍生的 GGUF 仓库数量略多于 Qwen。同样的货架空间，只有五分之一的流量。

模型仓库在这七个月里增长了 21.5%。而围绕它们的几个领域增长速度快了好几倍。

声明使用 gguf 库的仓库增长了 464%，lerobot 增长了 194%，Apple 的 mlx 增长了 148%，而 transformers 和 peft 仅增长 16%，diffusers 增长 21%。建模核心的增长速度与平台平均水平大致持平。而决定模型能在何处物理运行的层级——本地推理格式、Apple silicon、机器人控制栈——增长速度比这快了 3 到 7 倍。

在十大模型系列中，这些模型背后的实验室发布的官方 GGUF 转换版本非常少。然而，GGUF 版本往往是开发者在本地运行模型时实际使用的版本。在发布时提供官方转换版本、记录量化选择，并对产物进行签名，只需要有限的后续工作。实验室可以与 Unsloth 等现有生态贡献者合作，而非在内部维护这一工作流。这样做可以缩小模型创建者测试的权重与更广泛社区采用的版本之间的差距。

6. AI 智能体成为新的用户

如果不是因为这个工具还不存在，我们无法在三月写出这一节。AI 智能体使用数据集于 7 月发布，记录了编程 AI 智能体通过 huggingface_hub 或 hf CLI 调用 Hub 时发送的 agent/<name> token——搜索模型、上传数据集、运行 Jobs、创建 Spaces。我们第一次能够看到 Hub 收到了多少 AI 智能体流量，以及这些流量来自哪些框架。

Claude Code 以 44.4% 领先 7 月，但单独一个月掩盖了真正发现：它在 4 月占 67.8%，5 月仅占 6.4%，而 Codex 则从 10.4% 稳步攀升至 20.8%。这是一个没有在位者的市场，一次发布或一次默认设置的改变就可能在一个月内移动一半的流量。

第二个发现是未注册行。7 月近四分之一的 AI 智能体标记流量来自数据集中尚未命名的框架，5 月这一数字是 59.8%。在 4 月到 7 月之间，出现了十几个新的客户端标识符。新进入者到来的速度比任何注册机构命名的速度还快——这本身就是发现。

我们今年花了大量时间为这个读者（而非仅为人类浏览器）进行构建。论文于 3 月开始提供机器可读的 Markdown。4 月推出了 AI 智能体追踪作为一等 dataset 类型，以及每个 Gradio Space 上的 agents.md 端点，使 AI 智能体能够读取 Space 的 API 并直接调用它。7 月在我们的 MCP 服务器上推出了 hf_fs 工具，通过仅一千多个 token 的单一接口暴露仓库、存储、文档和论文，同时还提供了可附加的沙箱用于安全执行。协议层面也发生了同样的整合，MCP 进入了 Linux 基金会的 Agentic AI Foundation。

然后，7 月，一个 AI 智能体不再只是一个读者，而是变成了入侵者。据我们所知，首个有记载的自主 AI 智能体自行发起的持续入侵事件发生在我们身上。当我们的团队尝试使用前沿闭源模型分析捕获的攻击代码时，它们的安全护栏拒绝了这项工作。最终在我们自己基础设施上运行量化开源模型 GLM-5.2 完成了分析。我们发布了一份披露报告和完整的技术时间线。

与春季报告相比，权力的地域再平衡继续加速。美国开源模型持续向前推进的同时，多个中国前沿模型之间的竞争也在加剧，也引起了社区的强烈关注。这些前沿模型获得的许多点赞反映了社区最兴奋的点，以及各公司利用这一关注进行估值的增长机会。

然而，AI 竞赛不仅仅是短跑，而是一场马拉松。像 llama.cpp 这样的工具帮助在本地部署大模型，但一个广泛的模型系列及其 adoption 仍然是关键——在开发者、发布者和未来用户之间建立积极的反馈循环。模型嵌入基础设施并成为生态的一部分，也许最终能带来商业上可行的退出路径。

最终，随着 AI 智能体首次成为 HF Hub 的第一大用户，下一份报告的面貌可能也会大不相同。

在 AI 领域，几个月就能重塑整个生态。

本分析基于 2026 年前七个月在 Hugging Face Hub 上观察到的活动。

本报告使用的指标，包括下载量、点赞数、衍生模型和模型发布，代表了生态活动的不同方面。不应将它们解释为模型质量、商业 adoption 或整体市场份额的直接衡量标准。

下载量表示 Hub 生态内的使用情况，但无法捕捉 API 使用量、私有部署或通过其他渠道分发的模型。

点赞数反映社区的关注和兴趣，而衍生模型则提供了关于开发者在现有模型之上构建了多少的信号。

由于开源 AI 的 adoption 通过多个渠道进行，Hub 活动应被视为生态系统发展的一个视角，而非 AI 市场的完整测量。

本文提及的模型 2

本文提及的数据集 1

本文提及的合集 3

更多博客文章

通过复现 2,200 篇 ICML 论文我们学到了什么

Featuring Every Eval Ever Results on Hugging Face Model Pages

· 注册或登录以评论

本文提及的模型 2

本文提及的数据集 1

本文提及的合集 3