Hugging Face 发布 2026 夏季开源模型报告

在 AI 世界里，时间仿佛被压缩了。我们半年一次的分析在春季报告中梳理了整个生态，几个月后，截至今年夏天，我们又观察到了不少新发现。本报告列出了 2026 年 1 月至 8 月的这些观察结果，并给出每项观察背后的数据。

HF Hub 上的模型和数据集每天都在增长。在此期间，公开模型仓库从 243 万增至 296 万，数据集从 71.1 万增至 100 万，Spaces 从 100 万增至 144 万。其下的分布依然极端，约 85.6% 的模型累计下载量不足 200 次，而 1.5% 的仓库占据了全部下载量的 99.2%。以下所有现象都发生在这一格局之内。

1. 前沿正在快速推进

过去有一条清晰的进阶路径：实验室会先发布较小的模型，再逐步向规模顶端推进。但在 2026 年，多家中国实验室完全跳过了这一进阶过程。

在 2026 年几乎每个月，中国实验室最大、性能最强的开放模型都比美国实验室发布的任何模型都更大。中国的月度上限在 7540 亿到 2.78 万亿参数之间；美国模型在七个月中有五个月低于 1300 亿，例外是 NVIDIA 在 5 月和 6 月发布的 5610 亿参数的 Nemotron 3 Ultra，以及 Thinking Machines Lab 的 Inkling。

这张图将各实验室分为两大阵营。Moonshot、MiniMax、Xiaomi 和 Z.ai 几乎不发布 700 亿参数以下的模型，因此开发者第一次接触它们时，面对的模型大到无法在他们拥有的任何设备上运行。而 Tencent 和 Alibaba Qwen 则覆盖了完整区间，从 10 亿参数以下一路向上。

两件事让第一个阵营成为可能。做大不再是一种差异化优势。Xiaomi、Ant Group 和 Meituan 今年都突破了万亿参数，而其中没有一家在十二个月前还是开放权重领域家喻户晓的名字。而且实验室不再必须发布小模型才能被使用，因为社区的量化层会在几天内让大模型变得可运行，这一依赖关系我们将在下文再次提及。

这使得规模画像成为一种意图宣示，而非能力证明。纯前沿产品组合把所有筹码押在基准排名和 API 需求上。全谱系产品组合则意在成为开发者统一采用的那一个家族。两者都合理，只是争夺的奖品不同。

美国在开源领域并未缺席。

今年发布新开放模型最多的两个组织，同时也是制造硬件的公司：AMD 和 NVIDIA。它们各自发布了 200 多个新模型仓库，远超其他所有机构，LiquidAI 以约 100 个排名第三。硬件厂商已经意识到，开放模型是销售芯片的一种方式：一个为你的硬件优化且可免费获取的模型，是证明该硬件可用的最清晰证据。

当把较小的模型和嵌入模型也算进来时——在这些领域，Google、Microsoft、IBM Granite 以及 OpenAI 较早期的视觉和语音模型每年产生数亿次下载——美国的开源 AI 正在增长。

更多硬件与基础设施机构（如 NVIDIA）正在训练并开源权重有竞争力的模型。NVIDIA 的 Nemotron 模型系列以高性能著称。Meta 等长期领导者借助 Meta 的 Muse Glimmer 重燃开放根基。

在前沿规模上，今年美国发布的一些超过 100B 参数的模型是构建在中国模型之上，或利用了来自中国实验室的产物，例如 Thinking Machines 的 Inkling（952B）。主要的美国原创模型包括 NVIDIA 的 Nemotron 3 Ultra（561B）、Nemotron 3 Super（124B），以及 Arcee AI 的 Trinity-Large（399B）。

AMD 贡献了许多转换工作。这项工作很重要：它使万亿参数模型能够在美国硬件上高效运行。这代表了一个分发与优化层。

与此同时，中国的开放模型越来越多地针对中国国产芯片进行优化，这是同一竞争的反向版本，即模型围绕特定硬件生态进行设计。

2. 关注 ≠ 采用

我们选取了今年累计下载量排名前 25 的模型仓库，以及点赞数排名前 25 的模型仓库。恰好只有一个仓库同时出现在两份榜单中。

我们统计的是该窗口期内的下载量而非生命周期总下载量，因此不会仅仅因为存在时间更长而获得加分，而控制模型年龄后这一分化更加明显。2026 年发布的模型中没有一个进入下载量前 25，而前 25 名中有 13 个来自 2022 年。all-MiniLM-L6-v2 在七个月内被下载 15.5 亿次，获得 5,156 个赞；Kimi-K3 每获得一个赞对应约 60 次下载。

这两个数字记录的是不同的行为。点赞表示一次发布很重要，并且会流向发布后数周内的前沿模型。下载表示某个东西被接入了按计划运行的流水线，并且会随着时间的推移累积到小型、稳定的模型上。点赞是解读该领域对什么感到兴奋的合适工具，下载则是解读它当前依赖什么的合适工具。将其中任何一个当作另一个的代理指标，是我们在对 Hub 的报道中——包括我们早期的作品——看到的最常见错误。同样的分化也出现在发布者层面。

中国的前沿实验室是 Hub 上唯一一类重下载量集中在高参数模型上的账户。实际上，MiniMax 2026 年的全部下载量都来自 70B 以上的模型，Moonshot 为 88%，DeepSeek 为 55%，Z.ai 为 39%。没有任何美国大型账户呈现这种情况：Google、Microsoft 和 IBM Granite 在 2026 年 70B 以上模型的下载量基本为零，NVIDIA 和 Meta 分别仅为 14% 和 9%。

这一差异在总下载量上更为明显。Moonshot 仅前沿模型的产品组合全年录得 3,700 万次下载，而 Qwen 跨越多种模型规模的更广泛发布策略则达到 20.45 亿次（在已声明参数量的仓库中为 20.61 亿次），约为前者的 55 倍。该系列的持续扩展，从 2.4T 参数的 Qwen 3.8 Max 到 27B 等更小的变体，显示出对覆盖不同用例的同样专注。

时间也起着重要作用。大多数模型在发布后使用量急剧下降，随后进入一段稳定的长尾活动期。一个模型的采用情况很大程度上在其最初几个月内就已确定。

这有助于解释为什么今天的下载量往往不是由最新的发布版本驱动，而是由一小批随着时间推移已成为基础设施的模型所驱动。

3. 开放权重改变了价值积累的位置

如果前沿模型是一门授权生意，你会预期最大的发布版本附带最严格的条款。然而，下面的数据讲述了一个不同的故事。

在今年发布的178个参数规模超过20B的中国模型中，59%采用Apache 2.0许可，22%采用MIT许可，几乎没有任何一个带有非商业限制。然而，在过去几周里，我们开始看到这一趋势在真正大型的模型上发生了变化，Kimi K3和Qwen 3.8 2.4T开始在其许可中加入一些非商业限制和收入分成要求。

DeepSeek和Z.ai以纯粹的MIT许可发布参数规模在7000亿到1.65万亿之间的模型。中国实验室对其最大模型的授权几乎与对最小模型一样宽松，并且比美国实验室对其模型的授权更为宽松：在相同规模区间的美国一侧，29%采用Apache或MIT许可，41%采用自定义条款，30%则完全没有声明任何许可。

无论这些发布是为了什么，都不是为了许可收入。权重以现有最宽松的条款被免费送出。回报必须来自其他地方：API和云业务、硬件与平台定位，或者生态系统地位本身。例如，Z.ai和Kimi的估值表明，一套有效的开源策略能够在社区中获得关注和增长机会。然而，展望未来，行业可能会转向从开源采用中获得更清晰的变现路径。

4. Qwen已成为社区的基座模型

一个模型的生态系统地位不仅由其自身的发布决定，还取决于社区在其之上构建了多少东西。如上所述，Qwen是一个正在获得关注和采用的例外。

数据来自HF Mirror

从这个衡量标准来看，Qwen已成为开放模型生态系统中最大的基础之一。基于Qwen的模型目前在Hub上拥有151,448个衍生模型，是Meta总足迹的2.6倍，是Llama仓库的4.7倍。Google以82,506个衍生模型紧随其后。第三大来源是Unsloth，一个发布量化版和可微调版本的社区账号，其中许多进一步扩展了Qwen生态系统。

在2026年前七个月中，Qwen衍生模型以大约每天180–210个新仓库的速度增长，这表明采用并非仅由单次发布所驱动。Qwen已成为开发者决定微调和部署哪些模型时默认工作流的一部分。

有几个因素促成了这一地位。第一，一致性。Qwen保持了规律的发布节奏，持续更新其模型家族，而不是依赖偶尔的旗舰发布。第二，覆盖面。它发布了涵盖广泛规模和用例的模型，使开发者无论需要小型本地模型还是更大的部署模型，都能留在同一个生态系统中。第三，开放性。Apache 2.0许可减少了修改、再分发和商业使用的阻力。

这些因素相互强化。一个广泛的模型家族会吸引更多开发者；更多开发者会创造更多衍生模型；而这些衍生模型又会让整个生态对未来用户更具吸引力。

这一地位主要是由社区建立的。151,448 个衍生模型代表的是其他开发者创建的下游成果，而不是 Qwen 自己发布的版本。即便在 Hub 上 Qwen 模型的 28,531 个 GGUF 转换中，Qwen 也只发布了 54 个。

5. 小模型仍是实用层

在声明了参数量的模型中，低于 1B 的模型占历史总下载量的 83%，而高于 100B 的模型只占 1%。如果只看 2026 年累积的下载量，情况也没有变化：3% 的下载量流向高于 70B 的模型。这是 3 月得出的结论，也是保持得最稳定的一项发现，原因和之前一样：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如何触达任何人？通过 llama.cpp。

2 月，ggml 团队加入了 HF Mirror，该项目仍完全开源、由社区治理，并保持同样的技术方向。变化在于，本地推理领域最重要的项目如今背后有了持久资源。

上限随着 llama.cpp 一起移动。7 月快照包含了约 284B 参数的 DeepSeek-V4-Flash 和约 2.8 万亿参数的 Kimi-K3 的 GGUF 构建。过去，本地推理意味着在笔记本电脑上运行一个 8B 模型。现在，它意味着把万亿参数级混合专家模型分散到几台消费级机器上运行，这是一年前前沿领域还不具备的替代路线，也是前沿优先的发布策略之所以可行的原因。

而这条路线运行在 Qwen 上：每月 3960 万次 GGUF 下载，几乎是 Gemma 的 2080 万次的两倍，也是 Llama 的 750 万次的五倍多。与 Llama 的差距不是供给问题，Llama 衍生的 GGUF 仓库数量还略多于 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%。围绕它们的若干事物增长速度则快了数倍。

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 为 16%，diffusers 为 21%。建模核心大致以平台平均速度增长。决定模型实际能在哪里运行的那一层——本地推理格式、Apple 芯片、机器人控制栈——增长速度是它的三到七倍。

在十个最大的模型家族中，这些模型背后的实验室发布的官方 GGUF 转换非常少。然而，开发者本地运行模型时使用的往往正是 GGUF 版本。在发布时提供官方转换、记录量化选择并签署制品，只需要有限的额外工作。实验室不必在内部维护这一工作流，而可以与 Unsloth 等现有生态贡献者合作。这样做将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. 智能体是新用户

我们无法在三月份写下这一节，因为当时这个工具还不存在。七月份发布的 agent-usage 数据集记录了编码代理通过 huggingface_hub 或 hf CLI 调用 Hub 时发送的 agent/<name> 令牌——搜索模型、推送数据集、运行 Jobs、创建 Spaces。这是我们第一次能够看到 Hub 接收到多少代理流量，以及这些流量来自哪些执行框架。

Claude Code 以 44.4% 领跑七月，但单月数据掩盖了真正的发现：它在四月占 67.8%，五月占 64%，而 Codex 则从 10.4% 稳步攀升至 20.8%。这是一个没有既定霸主的市场，一次发布或一个默认设置的改变就能在一个月内改变一半的流量。

第二个发现是未登记的那一行。七月近四分之一的代理标记流量来自数据集中尚未命名的执行框架，而五月这一数字为 59.8%。从四月到七月，出现了十几个新的客户端标识符。新进入者的到来速度超过了任何登记册为其命名的速度——这本身就是发现。

我们这一年的大部分时间都在为这类读者而构建，而不仅仅是为人类浏览者。论文从三月开始提供机器可读的 Markdown。四月带来了作为一等数据集类型的代理轨迹，以及每个 Gradio Space 上的 agents.md 端点，使代理可以读取 Space 的 API 并直接调用它。七月带来了我们 MCP 服务器上的 hf_fs 工具，仅用一千多个令牌就通过单一接口暴露了仓库、存储、文档和论文，同时还提供了用于安全执行的可附加沙箱。同样的整合也发生在协议层，MCP 已移入 Linux 基金会的 Agentic AI 基金会。

然后，在七月，一个代理不再只是读者，而变成了入侵者。我们所遭遇的，似乎是首例有记录的自主代理自行发起持续性入侵的案例。当我们的团队尝试使用前沿闭源模型来分析捕获的攻击代码时，它们的安全护栏拒绝了这项工作。分析最终在我们自己的基础设施上运行的一个量化开源模型 GLM-5.2 上完成。我们发布了一份披露和一份完整技术时间线。

展望未来

与春季报告相比，权力的地理再平衡继续加速。虽然美国的开源模型仍具竞争力，但几家中国前沿模型实验室之间的竞赛引起了强烈关注。这些前沿模型上的众多点赞指向了社区最兴奋之处，以及公司利用这种关注进行估值的机会。

然而，AI 竞赛不只是短跑，也是马拉松；像 llama.cpp 这样的工具有助于在本地部署大型模型，但一个广泛的模型家族及其采用仍然是关键，以在开发者、发布者和未来用户之间建立正反馈循环。被嵌入基础设施并成为生态系统一部分的模型，可能最终通向一个商业上稳健的出口。

最后，随着代理首次成为 HF Hub 上的第一大用户，下一份报告可能会大不相同。

在 AI 领域，几个月就能重塑整个生态系统。

方法说明

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

本报告中使用的指标，包括下载量、点赞数、衍生模型和模型发布，代表了生态系统活动的不同方面。它们不应被解读为对模型质量、商业采用率或整体市场份額的直接衡量。

下载量表明 Hub 生态系统内的使用情况，但并未涵盖 API 使用、私有部署或通过其他渠道分发的模型。

点赞数反映社区关注和兴趣，而衍生模型则提供了开发者基于现有模型构建程度的一个信号。

由于开源 AI 的采用发生在许多渠道中，Hub 活动应被视为生态系统发展的一个视角，而不是对 AI 市场的完整衡量。

已编辑

本文经过编辑，以纳入 8 月初的最新发布内容。