Добрался до свежего отчета Hugging Face о том, как обстоят…

Добрался до свежего отчета Hugging Face о том, как обстоят дела у открытых моделей. Выделю главное:

1️⃣ Если в закрытом фронтире лидерство удерживают США, то лидерство в open source ушло Китаю. Почти каждый месяц 2026-го самая крупная открытая модель китайской лаборатории была больше любой американской, причем потолок гулял от 754 миллиардов до 2,78 триллиона параметров.

При этом триллион параметров перестал быть какой-то “героической” цифрой – такие модели выпустили Xiaomi, Ant Group и Meituan, которых год назад вообще не было в этой области. Забавно: тот же год назад я слышал, что американские санкции на железо выбьют почву из-под ног у китайских разработчиков – теперь же их лучшие модели (Kimi K3 и GLM-5.3) дышат в спину и доступны для скачивания любому.

2️⃣ Лайки ≠ скачивания. В Hugging Face признают, что раньше и сами попадались на эту ловушку. В компании сравнили топ-25 моделей по скачиваниям за год и топ-25 по лайкам – общая оказалась только одна. 

Объяснение удивительно простое. Лайк – “важный релиз”, больше всего их достается топовым моделям, которые не запустить на домашнем железе. Скачивают же рабочие лошадки, модели, которые у многих годами встроены в бизнес-процессы. 

Пример разрыва: самая скачиваемая модель хаба – крошечный эмбеддер all-MiniLM-L6-v2 из 2021 года. 80 мегабайт, веса ни разу не переобучались – 1,55 миллиарда скачиваний за семь месяцев при пяти тысячах лайков. Хайп хайпом, а поиск по документам в проде крутится на модели эпохи “до ChatGPT”.

3️⃣ Еще одно интересное сравнение. У Moonshot (линейка Kimi) 37 млн скачиваний за год, у Alibaba (Qwen) – 2 миллиарда. Причина – разные подходы к бизнесу. Kimi – это только большие модели, подпирающие США в бенчмарках. Мало кто может позволить себе скачать и запустить такую (вернее, мог – расскажу через пару абзацев), поэтому для Moonshot это больше реклама подписок и API-доступа.

А вот Qwen покрывает огромный диапазон размеров: от суб-1B до 2,4T – заявка стать семейством, стандартным для разных разработчиков.

4️⃣ И эта ставка работает: Qwen сейчас – действительно народная модель. У линейки сейчас 151 448 деривативов – то есть разных версий от сообщества. Второе место удерживает Google – 82 506 деривативов.

Деривативы – это файнтюны под свои задачи, кванты под слабое железо и мерджи из нескольких моделей. Каждый день добавляется 180-210 репозиториев Qwen – причем почти все создаются сообществом.

5️⃣ Отдельная история llama.cpp – движок, который научили запускать гигантские модели на домашнем железе. Идея проста: почти все китайские модели строятся на MoE-архитектуре, когда на запрос отвечает “эксперт” – отвечает “эксперт” – малая доля параметров с нужными знаниями. Считать ее дешево, поэтому проблемой остается остается хранение весов – их в любом случае все нужно держать в памяти. 

В llama.cpp придумали размазывать веса между компьютерами нескольких пользователей в одной локальной сети – фактически получается что-то вроде “распределенной модели”, когда у тебя в ноутбуке хранится лишь ее часть, а остальные части ты получаешь от коллеги за соседним столом. Технология любопытная и потенциально крутая для небольших команд – постараюсь копнуть ее глубже.

6️⃣ Главный пользователь Hugging Face – это больше не вы, а ваш ИИ-агент. В компании впервые разделили трафик людей и ИИ и сразу пришли к выводу – агенты уже впереди. Впрочем, процентного соотношения не дали.

Поначалу звучит сенсационно, но у меня самого парадигма сменилась еще в начале года: скачать и настроить сложный софт я давно поручаю агенту.

7️⃣ Есть и тревожная история, которую оставил для финала. В отчете отмечают, что самые большие модели, Kimi K3 (2,8T) и Qwen 3.8 (2,4T), впервые стали добавлять в лицензии некоммерческие ограничения и revenue share – долю с выручки для крупных пользователей. 

Похоже, халява заканчивается: внимание собрано, начинается монетизация. Посмотрим, что покажет следующий отчет – он выйдет зимой.
—
Как разбираться в открытых моделях, выбрать подходящую под свое железо и запустить за вечер – я рассказывал в отдельном лонгриде:

👉 Читаем здесь