گزارش تازه Hugging Face نشان میدهد مرکز ثقل مدلهای متنباز به آزمایشگاههای چینی، شرکتهای سختافزاری و عاملهای هوش مصنوعی جابهجا شده است. این گزارش نیمهسالانه، فعالیت هفت ماه نخست ۲۰۲۶ را روی پلتفرم Hugging Face Hub بررسی میکند و بهجای حدسزدن، بر دادههای واقعی دانلود، لایک و مدلهای مشتقشده تکیه دارد. مقیاس اکوسیستم در این بازه بهشکل چشمگیری رشد کرده است: مخازن مدل عمومی از ۲٫۴۳ به ۲٫۹۶ میلیون رسیده و شمار مجموعهدادهها برای نخستینبار از مرز یک میلیون عبور کرده است.
با این حال، زیر این رشد کلی، توزیعی بسیار نامتوازن پنهان است؛ حدود ۸۵٫۶ درصد مدلها کمتر از ۲۰۰ بار در طول عمر خود دانلود شدهاند و تنها ۱٫۵ درصد مخازن، ۹۹٫۲ درصد کل دانلودها را به خود اختصاص دادهاند. هر آنچه در ادامه میآید، درون همین ساختار نابرابر شکل میگیرد.
چرخش مرکز ثقل مدلهای متنباز به چین و سختافزار
پیشتر مسیر روشنی وجود داشت: آزمایشگاهها نخست مدلهای کوچک منتشر میکردند و بهتدریج به سمت مقیاسهای بزرگتر پیش میرفتند. در سال ۲۰۲۶، چند آزمایشگاه چینی این روند را بهکلی کنار گذاشتهاند. در تقریباً همه ماههای سال، بزرگترین و توانمندترین مدل متنباز از یک آزمایشگاه چینی، بزرگتر از هر چیزی بود که یک آزمایشگاه آمریکایی بهتنهایی منتشر کرد. سقف ماهانه چین میان ۷۵۴ میلیارد تا ۲٫۷۸ تریلیون پارامتر در نوسان بود؛ در حالی که سقف آمریکا در پنج ماه از هفت ماه، زیر ۱۳۰ میلیارد پارامتر باقی ماند.
این الگو نتیجه دو تغییر است. نخست، ساختن مدل بزرگ دیگر یک مزیت تمایزدهنده نیست؛ شرکتهایی مانند Xiaomi و Meituan امسال هر دو از مرز یک تریلیون پارامتر عبور کردند، در حالی که دوازده ماه پیش در دنیای وزنهای باز چندان شناختهشده نبودند. دوم، یک آزمایشگاه دیگر مجبور نیست برای دیدهشدن مدل کوچک منتشر کند، چون لایه کوانتیزاسیون جامعه طی چند روز مدل بزرگ را قابل اجرا میکند. در نتیجه، مشخصات اندازه مدل به بیانیهای درباره قصد و استراتژی بدل شده است، نه توانمندی.
در همین حال، آمریکا از صحنه متنباز غایب نیست، اما نقشها عوض شده است. دو سازمانی که بیشترین مدل جدید را امسال منتشر کردهاند، خود شرکتهای سازنده سختافزار یعنی AMD و NVIDIA هستند و هرکدام بیش از ۲۰۰ مخزن جدید ساختهاند. فروشندگان سختافزار دریافتهاند که مدل متنباز راهی برای فروش تراشه است: مدلی که برای سختافزار شما بهینه شده و آزادانه در دسترس باشد، روشنترین مدرک کارکرد آن سختافزار است. بدین ترتیب، مرکز ثقل متنباز از آزمایشگاههای مدل به سمت شرکتهای سختافزاری و زیرساختی حرکت کرده است.
شکاف میان توجه و پذیرش واقعی
یکی از یافتههای برجسته گزارش، شکاف میان توجه و استفاده واقعی است. تیم Hugging Face ۲۵ مخزن برتر از نظر دانلود و ۲۵ مخزن برتر از نظر لایک در سال جاری را کنار هم گذاشت و دریافت که دقیقاً یک مخزن در هر دو فهرست مشترک است. هیچ مدلی که در ۲۰۲۶ منتشر شده، به فهرست ۲۵ مدل پر دانلود راه نیافته، در حالی که ۱۳ مدل از ۲۵ مدل برتر دانلود، متعلق به سال ۲۰۲۲ هستند.
این دو عدد دو کنش متفاوت را ثبت میکنند. لایک میگوید یک انتشار اهمیت دارد و معمولاً به مدلهای مرزی در هفتههای پس از عرضه میرسد؛ دانلود میگوید چیزی به خط لولهای متصل شده که طبق زمانبندی اجرا میشود و در طول سالها به مدلهای کوچک و پایدار تعلق میگیرد. لایک ابزار درست برای سنجش هیجان جامعه است و دانلود ابزار درست برای سنجش آنچه اکوسیستم واقعاً به آن وابسته است. گزارش بهصریح میگوید در نظر گرفتن یکی بهجای دیگری، رایجترین اشتباه در پوشش خبری این پلتفرم است.
این شکاف در سطح ناشر نیز دیده میشود. آزمایشگاههای مرزی چینی تنها حسابهایی هستند که بخش سنگینوزن مدلهایشان، حجم دانلود را حمل میکند؛ تقریباً تمام دانلودهای MiniMax در ۲۰۲۶ مربوط به مدلهای بالای ۷۰ میلیارد پارامتر است. در مقابل، هیچ حساب بزرگ آمریکایی چنین الگویی ندارد و Google، Microsoft و IBM Granite عملاً هیچ دانلودی بالای ۷۰ میلیارد ثبت نکردهاند. به زبان ساده، آنچه جلب توجه میکند لزوماً همان چیزی نیست که جامعه روی آن کار واقعی انجام میدهد.
جابهجایی ارزش؛ از مجوز تا اکوسیستم
اگر مدلهای مرزی یک کسبوکار لایسنسمحور بودند، انتظار داشتیم بزرگترین انتشارها سختگیرانهترین شرایط را داشته باشند. اما دادهها داستان متفاوتی میگویند. از ۱۷۸ انتشار چینی بالای ۲۰ میلیارد پارامتر در سال جاری، ۵۹ درصد تحت مجوز Apache 2.0 و ۲۲ درصد تحت MIT منتشر شدهاند و گزارش مدعی است هیچکدام محدودیت غیرتجاری ندارند. آزمایشگاههای چینی بزرگترین مدلهایشان را تقریباً به همان اندازه مجاز (permissive) منتشر میکنند که کوچکترینشان را.
البته این ادعا بدون مناقشه نیست. برخی کاربران در بخش نظرات همان گزارش اشاره کردهاند که برخی مدلها مانند Kimi محدودیتهای سرویسدهی برای شرکتهای با درآمد سالانه بالای ۲۰ میلیون دلار دارند و این محدودیت را نمیتوان صرفاً با متن مجوز خلاصه کرد. این نکته یادآوری میکند که متن مجوز و شرایط استفاده واقعی همیشه یکسان نیستند و هنگام ارزیابی باید هر دو را خواند.
نکته اصلی گزارش این است که این انتشارها برای درآمد لایسنس طراحی نشدهاند؛ وزنها با مجازترین شرایط ممکن واگذار میشوند و بازگشت سرمایه باید از جای دیگری بیاید: کسبوکار API و ابری، جایگاه سختافزاری و پلتفرمی، یا خود موقعیت در اکوسیستم. در همین راستا، Qwen به یکی از بزرگترین بنیانهای اکوسیستم بدل شده است. مدلهای مبتنی بر Qwen اکنون ۱۵۱٬۴۴۸ مدل مشتقشده روی Hub دارند، یعنی ۲٫۶ برابر کل ردپای Meta و ۴٫۷ برابر مخازن Llama. رشد این اکوسیستم حدود ۱۸۰ تا ۲۱۰ مخزن جدید در روز است و نشان میدهد پذیرش Qwen نه محصول انتشارهای منفرد، بلکه نتیجه سازگاری، پوشش گسترده اندازهها و مجوز باز آن است.
لایه عملی؛ مدلهای کوچک و کاربرِ جدید
با وجود هیاهوی مدلهای عظیم، لایه عملی هنوز در دست مدلهای کوچک است. در میان مدلهایی که تعداد پارامترشان اعلام شده، مدلهای زیر یک میلیارد پارامتر ۸۳ درصد کل دانلودهای تاریخ را در اختیار دارند و هر آنچه بالای ۱۰۰ میلیارد پارامتر است، تنها ۱ درصد. دلیل آن ساده است: مدلهای کوچک تنها گزینهای هستند که روی سختافزار اغلب توسعهدهندگان اجرا میشوند.
پل میان مدلهای عظیم و سختافزار محلی، پروژه llama.cpp است. در فوریه ۲۰۲۶ تیم ggml به Hugging Face پیوست و این پروژه همچنان متنباز و جامعهمحور ماند. با رشد llama.cpp، سقف اجرای محلی نیز بالا رفت؛ حالا بیلدهای GGUF مدلهایی با حدود ۲٫۸ تریلیون پارامتر مانند Kimi-K3 روی چند دستگاه مصرفی اجرا میشوند. استنتاج محلی دیگر بهمعنای مدل ۸ میلیارد پارامتری روی لپتاپ نیست، بلکه بهمعنای مدلهای مخلوط-متخصص با مقیاس تریلیونی است که روی چند دستگاه خانگی پخش میشوند.
در این میان، یک بازیگر تازه وارد صحنه شده است: عاملهای هوش مصنوعی. مجموعهداده agent-usage که در ژوئیه منتشر شد، برای نخستینبار ترافیک عاملهایی را ثبت میکند که از طریق ابزارهایی مانند huggingface_hub به Hub متصل میشوند. این داده نشان میدهد Claude Code در ژوئیه ۴۴٫۴ درصد ترافیک را در اختیار داشته، اما این سهم در ماهها نوسان شدیدی داشته و Codex نیز بهتدریج رشد کرده است. تقریباً یکچهارم ترافیک برچسبخورده از هارنسهایی میآید که هنوز در مجموعهداده نامی ندارند؛ بهعبارتی، ورود تازهواردها سریعتر از آن است که هر ثبتی بتواند آنها را نامگذاری کند. گزارش حتی به نخستین مورد مستند نفوذ پایدار یک عامل خودمختار اشاره دارد که در نهایت با مدل متنباز GLM-5.2 و روی زیرساخت خودِ Hugging Face تحلیل شد.
نکات کلیدی گزارش
- رشد نامتوازن: مخازن مدل به ۲٫۹۶ میلیون رسید، اما تنها ۱٫۵ درصد مخازن سهم ۹۹٫۲ درصدی از دانلودها دارند.
- چرخش جغرافیایی: بزرگترین مدلهای متنباز امسال عمدتاً از آزمایشگاههای چینی آمده و نقش انتشار مدل در آمریکا به سختافزارسازانی مانند NVIDIA و AMD منتقل شده است.
- توجه برابر پذیرش نیست: میان ۲۵ مدل برتر از نظر دانلود و لایک تنها یک مدل مشترک وجود دارد و دانلودها عمدتاً به مدلهای کوچک و قدیمی تعلق دارند.
- مجوز نه مدل کسبوکار: مدلهای بزرگ چینی اغلب با مجوزهای بسیار باز منتشر میشوند و ارزش به سمت اکوسیستم، API و سختافزار جابهجا شده است.
- عاملها کاربر جدیدند: ترافیک عاملهای هوش مصنوعی روی Hub قابل اندازهگیری شده و سهم آنها با نوسان شدید و ورود مداوم تازهواردها همراه است.
گزارش Hugging Face تصویری از یک اکوسیستم در حال پوستاندازی ترسیم میکند: قدرت جغرافیایی در حال بازتوزیع است، ارزش از مجوز به لایههای دیگر منتقل شده و کاربرِ اصلی پلتفرم دیگر فقط انسان نیست. برای توسعهدهندگان و مدیران محصول، درس عملی این گزارش آن است که هنگام انتخاب مدل، هم به سیگنال هیجان (لایک) و هم به سیگنال پذیرش واقعی (دانلود) نگاه کنند و پیش از اتکا به یک مدل، متن مجوز و شرایط استفاده واقعی آن را با هم بخوانند.