開源模型現狀 2026 年夏季報告

簡要重點

Hugging Face 的 2026 年夏季分析顯示，中國實驗室如今主導開源前沿模型的發布，而大多數實際應用仍集中在參數低於 10 億的模型上；Qwen 已成為事實上的基礎模型，且自主代理已成為 Hub 的主要流量來源。

1. 前沿模型規模轉向中國

  • 中國實驗室在 2026 年幾乎每月都發布了最大的開源模型，參數範圍從 754B 到 2.78T。
  • 相較之下，美國實驗室在七個月中有五個月的模型參數低於 130B，僅有 NVIDIA 的 Nemotron 3 Ultra (561B) 和 Thinking Machines 的 Inkling (952B) 超過此數。
  • 實驗室如 Moonshot、MiniMax、Xiaomi 和 Z.ai 几乎只發布參數大於 70B 的模型，專注於基準測試聲譽，而非開發者可及性。
  • 腾讯與阿里巴巴的 Qwen 系列涵蓋完整的規模範疇，提供微型與千億參數的變體。
  • 硬體供應商（AMD、NVIDIA）在新模型發布中佔據主導地位（各超過 200 個倉儲），利用開源模型展示晶片效能。
  • 多數美國前沿模型（參數超過 100B）實際上是對中國模型的改編，而非原創作品。

2. 關注度 ≠ 採用率

  • 按 下載次數 與 讚數 排名的前 25 個倉儲中，僅有 1 個重疊，顯示 hype 與實際使用之間存在明顯差距。
  • 下載量偏好長期穩定的模型（例如 all-MiniLM-L6-v2，累計 15.5 億次下載），而讚數則集中在新發布的前沿模型上。
  • 中國前沿實驗室（MiniMax、Moonshot、DeepSeek、Z.ai）的下載量集中在參數大於 70B 的模型；美國實驗室（Google、Microsoft、IBM Granite）對大型模型幾乎無下載量。
  • Qwen 系列在 2026 年達成 20.45 億 次下載，約為 Moonshot 僅限前沿模型的組合（3700 萬次）的 55 倍。
  • 採用率主要在模型發布後的前幾個月內決定，之後使用量趨於穩定。

3. 開源權重授權趨勢

  • 在 178 個參數超過 20B 的中國發布中，59% 採用 Apache 2.0，22% 採用 MIT；無一設有非商業使用限制。
  • 美國大規模發布的授權較為嚴格：僅 29% 為 Apache/MIT，41% 採用自訂條款，30% 未宣告授權。
  • 寬鬆的授權顯示，收入預期來自 API 服務、硬體銷售或平台定位，而非權重本身。

4. Qwen 成為社群的基礎模型

  • Qwen 衍生模型在 Hub 上總計達 151,448 個倉儲，分別是 Meta 的 2.6 倍 與 Llama 的 4.7 倍。
  • 2026 年前七個月，每日新增 Qwen 相關倉儲數量為 180–210 個。
  • Qwen 主導地位的驅動因素：
    1. 穩定的發布節奏，涵蓋多種規模。
    2. 廣泛的使用情境覆蓋，讓開發者能留在單一生態系中。
    3. Apache 2.0 授權，降低法律摩擦。
  • 多數衍生模型由社群產生；Qwen 本身僅貢獻了 54 個來自 28,531 個 GGUF 轉換。

5. 小模型仍是實務層級

  • 參數低於 1B 的模型佔所有時間下載量的 83%；參數超過 100B 的模型僅佔 1%。
  • 在 2026 年，僅有 3% 的下載量流向參數大於 70B 的模型。
  • llama.cpp 項目現已由 Hugging Face 完全支援，透過 GGUF 格式實現千億參數模型的本地推理。
  • 7 月 GGUF 下載量：Qwen 3960 萬次，Gemma 2080 萬次，Llama 750 萬次。
  • 與運行時相關的倉儲（gguf、lerobot、Apple mlx）成長分別達 464%、194% 與 148%，遠高於核心函式庫 transformers（+16%）。
  • 實驗室可透過提供官方 GGUF 轉換與清晰的量化文件，加速採用，並利用如 Unsloth 等社群轉換工具。

6. 代理成為 Hub 的主要使用者

  • agent-usage 資料集（2026 年 7 月發布）追蹤自主代理對 Hub 的 token 請求。
  • Claude Code 在 7 月佔據 44.4% 的流量，但其佔比波動劇烈（4 月達 67.8%，5 月降至 6.4%），顯示市場極度不穩定且快速變化。
  • 7 月約有 25% 的代理流量來自未識別的客戶端識別碼，5 月更上升至 59.8%，顯示新代理的出現速度遠快於註冊系統的追蹤能力。
  • 最近的基礎設施升級（agent-trace 資料集、agents.md 端點、hf_fs 工具、MCP 整合至 Linux 基金會的 Agentic AI Foundation）反映出戰略轉向機器對機器的互動。
  • 7 月曾發生一宗 documented 的自主入侵事件，攻擊者使用量化後的開源模型（GLM-5.2），在封閉模型的安全防護失效後成功入侵，凸顯代理驅動工作流程中的新安全議題。

7. 展望未來

  • 地緣政治再平衡持續進行：中國的前沿模型吸引最多社群關注，而美國貢獻則聚焦於硬體優化轉換與更大規模的模型家族。
  • 小模型的主導地位與擴展的本地推理堆疊（llama.cpp、GGUF）將維持生態系的可及性，形成開發者、發行者與下游使用者之間的正向循環。
  • 隨著代理成為 Hub 的主要流量來源，未來報告可能需要新的指標與方法論，以捕捉機器中心的活動。

方法說明

  • 分析涵蓋 Hub 活動時間為 2026 年 1 月 – 7 月。
  • 指標（下載、讚數、衍生倉儲、發布數）反映 Hub 特定訊號，不包含 私有部署、Hub 外的 API 使用，或非 Hub 分發管道。
  • 下載量衡量 Hub 內管道的使用情況；讚數代表社群興趣；衍生倉儲反映下游開發投入。
  • 結果應視為對更廣泛 AI 市場的 部分視角。

Sources

相關