ИИтог

Hugging Face: Qwen стал базовой моделью открытого ИИ-сообщества

моделиРедакция ИИтогHugging Face🔥77Рейтинг ИИтог77Влияние72Новизна70Релевантность95Неожиданность65Участники85Достоверность85
Hugging Face: Qwen стал базовой моделью открытого ИИ-сообщества

Hugging Face опубликовала аналитический пост «State of Open Models: Summer 2026 Observations» по собственной телеметрии платформы за первые семь месяцев 2026 года. Общий рост Hub: публичные репозитории моделей выросли с 2,43 до 2,96 млн, датасеты, с 711 тысяч до 1 млн, Spaces, с 1,00 до 1,44 млн. Но распределение внутри этого роста крайне неравномерное: у 85,6% моделей меньше 200 загрузок за всё время, а 1,5% репозиториев дают 99,2% всех загрузок.

Раньше лаборатории проходили путь от маленьких моделей к большим постепенно. В 2026 году несколько китайских лабораторий стали пропускать этот этап и сразу выпускать модели frontier-масштаба. Почти каждый месяц 2026 года крупнейшая открытая модель китайской лаборатории оказывалась больше крупнейшего релиза американской. Месячный потолок Китая держался между 754 млрд и 2,78 трлн параметров; американский потолок оставался ниже 130 млрд в пяти месяцах из семи, исключения: Nemotron 3 Ultra от NVIDIA (561 млрд, май и июнь) и Inkling от Thinking Machines Lab. Китайские лаборатории делятся на два лагеря: Moonshot, MiniMax, Xiaomi и Z.ai почти не публикуют модели меньше 70 млрд параметров (ставка на frontier), тогда как Tencent и Qwen от Alibaba закрывают весь диапазон, от моделей меньше 1 млрд и выше. Xiaomi и Meituan обе перешагнули триллион параметров в этом году, хотя год назад были почти неизвестны в открытых весах. Отдельно авторы отмечают: сообщество само довело квантование до состояния, когда даже гигантскую модель можно запустить в течение нескольких дней после релиза, лаборатории больше не обязаны выпускать маленькую версию, чтобы модель была доступна рядовому пользователю.

Среди американских игроков больше всего новых открытых моделей в этом году выпускают не ИИ-лаборатории, а производители железа: AMD и NVIDIA, каждая, больше 200 новых репозиториев, с большим отрывом от остальных; на третьем месте LiquidAI с примерно 100. Для производителей чипов открытые модели, способ продемонстрировать, что железо работает, и продать его. Google и Meta, некогда определявшие саму практику открытых релизов, теперь отстают от NVIDIA по числу новых моделей; разворот Meta к закрытым флагманским моделям усиливает этот сдвиг. На frontier-масштабе (свыше 100 млрд параметров) большинство американских релизов этого года, не новые модели, а адаптации поверх китайских базовых моделей. Оригинальных крупных американских моделей такого масштаба немного: Inkling от Thinking Machines (952 млрд), Nemotron 3 Ultra (561 млрд) и Nemotron 3 Super (124 млрд) от NVIDIA, Trinity-Large от Arcee AI (399 млрд). AMD внесла много конверсий, но ни одной оригинальной модели такого масштаба, эта работа важна (она позволяет триллионным китайским моделям эффективно работать на американском железе), но это уровень дистрибуции и оптимизации, а не создания моделей. Китайские открытые модели, в свою очередь, всё чаще оптимизируются под собственные китайские чипы, та же логика в обратную сторону.

Hugging Face сравнила топ-25 репозиториев по загрузкам за 2026 год с топ-25 по лайкам: пересечение, ровно один репозиторий. Ни одна модель, опубликованная в 2026 году, не попала в топ-25 по загрузкам, а 13 из 25 моделей в этом списке, образца 2022 года. Модель all-MiniLM-L6-v2 скачали 1,55 млрд раз за семь месяцев при всего 5156 лайках; Kimi-K3 скачивали примерно в 60 раз чаще, чем ставили лайк. Лайк отражает интерес к свежему релизу, загрузка, то, что реально встроено в рабочий пайплайн и годами держится на небольших стабильных моделях. Исключение, китайские frontier-лаборатории: у MiniMax практически все загрузки 2026 года приходятся на модели крупнее 70 млрд параметров, у Moonshot, 88%, у DeepSeek, 55%, у Z.ai, 39%. Ни один крупный американский аккаунт так не выглядит: у Google, Microsoft и IBM Granite таких загрузок практически нет, у NVIDIA, 14%, у Meta, 9%. В абсолютных числах: у Moonshot с её ставкой только на frontier, 37 млн загрузок за год, у Qwen с её широкой линейкой моделей, 2045 млн (по репозиториям с указанным числом параметров) или 2061 млн (со всеми репозиториями), то есть примерно в 55 раз больше. Линейка Qwen охватывает весь диапазон, от Qwen 3.8 Max на 2,4 трлн параметров до вариантов вроде 27 млрд.

По лицензиям: из 178 китайских релизов крупнее 20 млрд параметров в этом году 59% идут под Apache 2.0, 22%, под MIT, и ни один, с некоммерческим ограничением. DeepSeek и Z.ai выпускают модели на 700 млрд, 1,65 трлн параметров под обычной MIT. Для сравнения, у американских лабораторий в том же диапазоне размеров: 29%, Apache или MIT, 41%, под собственными условиями, 30% вообще без указанной лицензии. То есть китайские лаборатории лицензируют свои крупнейшие модели так же либерально, как самые маленькие, и либеральнее, чем американские лаборатории. Hugging Face отмечает: раз веса раздаются на самых открытых условиях, доход явно приходит не с лицензий, а откуда-то ещё, из API и облачного бизнеса, позиционирования железа и платформы или самой позиции в экосистеме (в качестве примера называются оценки Z.ai и Kimi). При этом авторы ожидают, что дальше индустрия будет двигаться к более понятным путям монетизации открытых релизов.

Отдельный раздел поста посвящён Qwen как фактической базовой модели сообщества. На модели семейства Qwen сейчас приходится 151 448 производных репозиториев на Hub, в 2,6 раза больше, чем всё семейство Meta, и в 4,7 раза больше, чем только репозитории на основе Llama. На втором месте Google с 82 506 производных. Третий по величине источник, Unsloth, аккаунт сообщества, публикующий квантованные и готовые к дообучению сборки, многие из которых тоже основаны на Qwen. Число производных Qwen-репозиториев росло на 180, 210 в день на протяжении первых семи месяцев 2026 года. Авторы называют три фактора: регулярный ритм релизов вместо редких флагманских анонсов, покрытие всего диапазона размеров и лицензия Apache 2.0, снижающая трение при модификации и коммерческом использовании. Показательно, что эту позицию построило в основном само сообщество, а не Qwen: даже среди 28 531 GGUF-конверсии моделей Qwen на Hub сама компания опубликовала только 54.

Последний раздел, про маленькие модели и слой локального инференса. Среди моделей с указанным числом параметров модели меньше 1 млрд забирают 83% всех загрузок за всё время, а всё, что крупнее 100 млрд, только 1%. Если смотреть только на загрузки 2026 года, картина почти не меняется: на модели крупнее 70 млрд приходится 3% объёма. Триллионные модели доходят до пользователей в основном через llama.cpp: в феврале 2026 года команда ggml (создатели llama.cpp) присоединилась к Hugging Face, при этом проект остался полностью open source и под управлением сообщества. Июльский снимок содержит GGUF-сборки DeepSeek-V4-Flash примерно на 284 млрд параметров и Kimi-K3 примерно на 2,8 трлн, локальный инференс теперь означает не модель на 8 млрд параметров на ноутбуке, а модель со смесью экспертов (MoE) на триллион параметров, распределённую на несколько потребительских машин. И на этом направлении тоже лидирует Qwen: 39,6 млн загрузок GGUF-версий в месяц против 20,8 млн у Gemma (почти вдвое меньше) и 7,5 млн у Llama (более чем впятеро меньше), при этом GGUF-репозиториев на основе Llama формально даже чуть больше, чем на основе Qwen, так что дело не в нехватке предложения. Число репозиториев моделей на Hub выросло на 21,5% за семь месяцев, но слой вокруг моделей растёт заметно быстрее: репозитории с библиотекой GGUF выросли на 464%, с lerobot (робототехника), на 194%, с mlx от Apple, на 148%, против 16% у transformers и peft и 21% у diffusers. То есть слой, который определяет, где физически можно запустить модель, растёт в три-семь раз быстрее самих модельных библиотек.

Ключевые факты

  • Китайские лаборатории с начала 2026 года выпускают самые крупные открытые модели: месячный потолок Китая, от 754 млрд до 2,78 трлн параметров, потолок США, ниже 130 млрд в 5 из 7 месяцев.
  • Больше всего новых открытых моделей в этом году выпускают не ИИ-лаборатории, а производители железа AMD и NVIDIA, больше 200 репозиториев у каждой, LiquidAI на третьем месте с примерно 100.
  • Qwen стал фактической базовой моделью сообщества: 151 448 производных репозиториев на Hugging Face Hub, в 2,6 раза больше, чем у всей Meta, и в 4,7 раза больше, чем только у Llama.
  • Китайские лаборатории лицензируют даже крупнейшие модели максимально открыто: 59% релизов выше 20 млрд параметров, под Apache 2.0, 22%, под MIT, ни одного с некоммерческим ограничением.
  • Реальное использование расходится с популярностью: топ-25 моделей по загрузкам за 2026 год и топ-25 по лайкам пересекаются лишь в одном репозитории, а 13 из 25 самых скачиваемых моделей, образца 2022 года.

Почему это важно

Пост фиксирует смену центра тяжести в открытом ИИ. Крупнейшие открытые модели теперь почти всегда выходят из Китая, а не из США. Среди американских игроков лидерство по числу новых открытых релизов перешло от классических ИИ-лабораторий (Google, Meta) к производителям железа (AMD, NVIDIA), для которых открытая модель, способ продать чип. А инфраструктурный слой вокруг моделей, форматы для локального запуска, конверсии под конкретное железо и робототехнику, растёт в разы быстрее самих модельных библиотек, то есть будущее рынка определяется не только тем, кто обучает лучшую модель, а тем, кто делает её запускаемой везде.

Кому это важно

Разработчикам, выбирающим модель для дообучения и продакшена, данные о загрузках и числе производных репозиториев показывают, какая модель реально стала стандартом, а не просто на слуху. Инженерам локального инференса, зависящим от экосистемы llama.cpp и GGUF-конверсий. Компаниям, выбирающим железо и облачного провайдера, для которых открытые релизы NVIDIA и AMD, сигнал зрелости платформы. Инвесторам и аналитикам, отслеживающим сдвиг открытого ИИ от лабораторий к инфраструктурным игрокам и к Китаю.

Как это применить

При выборе базовой модели для дообучения ориентируйтесь на реальную экосистему (число производных репозиториев, темп GGUF-конверсий), а не на число лайков, это разные метрики, и лайки предсказывают внимание, а не то, что попадёт в продакшен-пайплайн. Для локального запуска крупных моделей следите за GGUF-экосистемой: даже модели на триллионы параметров сейчас доходят до пользователя через квантованные сборки, которые чаще делает сообщество, а не сама лаборатория. Учитывайте, что многие американские релизы выше 100 млрд параметров, не оригинальные модели, а адаптации китайских весов под американское железо, это стоит проверять при оценке происхождения модели.

Можно ли доверять

Источник, сама Hugging Face, публикующая анализ собственной телеметрии Hub за семь месяцев 2026 года; это первичные данные платформы, а не сторонняя оценка. У поста нет указанного автора и точной даты публикации (только упоминания месяцев). Пост не объясняет, почему именно Google и Meta отстали от NVIDIA по числу релизов, помимо общей ссылки на разворот Meta к закрытым моделям; не даёт сроков ожидаемого сдвига к более понятной монетизации открытых моделей; не называет конкретно, какие десять семейств моделей имеются в виду в разделе про GGUF-конверсии.

Риски и подводные камни

Ставка американских лабораторий на адаптацию китайских весов вместо создания собственных frontier-моделей, это зависимость от чужой базовой модели, а не альтернатива ей; в случае ограничений на использование китайских моделей эта часть экосистемы окажется уязвима. Максимально открытые лицензии китайских лабораторий не объясняют бизнес-модель, авторы поста сами отмечают, что монетизация, скорее всего, будет ужесточаться. Основной вес открытой инфраструктуры (GGUF-конверсии даже топовых семейств моделей) держится на энтузиастах сообщества, а не на официальных релизах лабораторий, что создаёт риск для качества и поддержки таких сборок в будущем.

Компания Meta Platforms признана экстремистской организацией, её деятельность на территории РФ запрещена.