В мире искусственного интеллекта время ощущается сжатым. Прошло всего несколько месяцев с момента нашего весеннего отчета, но экосистема открытых моделей уже претерпела фундаментальные изменения. Если весной мы наблюдали за постепенным ростом, то к лету 2026 года картина стала четкой и безапелляционной: правила игры переписаны. Отношения между странами, лабораториями и разработчиками трансформировались так быстро, что старые метрики успеха перестали работать. То, что раньше казалось временным трендом, теперь стало новой нормой.
Этот материал — не просто сводка новостей, а глубокий анализ данных, собранных с января по август 2026 года. Мы рассмотрим, как изменился ландшафт «фронтенных» моделей, почему скачивания больше не равны признанию, и как китайские компании, такие как Qwen, стали невидимым фундаментом для миллионов разработчиков по всему миру. Здесь нет места поверхностным выводам: только цифры, контекст и реальные последствия для индустрии.
011. Экосистема растет, но неравномерно: статистика роста
Прежде чем погружаться в геополитику ИИ, важно понять масштаб самой платформы. Хранилища моделей и датасетов на Hugging Face растут с пугающей скоростью. За рассматриваемый период количество публичных репозиториев с моделями выросло с 2,43 до 2,96 миллиона. Датасеты перешли отметку в 1 миллион (с 711 000), а количество Spaces (веб-приложений) достигло 1,44 миллиона.
Однако за этим общим ростом скрывается экстремальное распределение. Около 85,6% всех моделей имеют менее 200 скачиваний за всю историю. И при этом всего 1,5% репозиториев аккумулируют 99,2% всех скачиваний. Вся динамика, о которой пойдет речь ниже, происходит внутри этой узкой выборки успешных проектов. Большинство моделей остаются «цифровым мусором», но именно те 1,5% определяют технологический вектор развития.
022. Фронтен больше не следует эволюционному пути
Раньше существовал четкий путь развития: лаборатории начинали с выпуска небольших, эффективных моделей, постепенно наращивая мощность и параметры, пока не достигали вершины производительности. В 2026 году этот путь был полностью проигнорирован несколькими китайскими лабораториями. Они решили не ждать, а сразу бить в самую высокую точку.
Практически каждый месяц 2026 года крупнейшая и наиболее производительная открытая модель от китайской лаборатории превышала по размеру любые модели, выпущенные американскими компаниями. Потолок производительности в Китае колебался от 754 миллиардов до 2,78 триллионов параметров. В то же время потолок американских лабораторий оставался ниже 130 миллиардов параметров в пяти из семи месяцев. Исключениями стали NVIDIA с Nemotron 3 Ultra (561 млрд параметров) и Thinking Machines Lab с Inkling, но они лишь подтверждают правило, а не опровергают её.
Этот разрыв можно разделить на две стратегии. С одной стороны, такие компании, как Moonshot, MiniMax, Xiaomi и Z.ai, публикуют почти ничего, что меньше 70 миллиардов параметров. Для разработчика первый контакт с ними — это модель, которую невозможно запустить на обычном оборудовании. С другой стороны, Tencent и Alibaba (Qwen) покрывают весь спектр: от моделей менее 1 миллиарда параметров и выше.
Что позволило первой группе пропустить этап «малых моделей»? Во-первых, строительство больших моделей перестало быть уникальным преимуществом. Xiaomi и Meituan преодолели отметку в триллион параметров, хотя год назад они не были известны в сообществе открытых весов. Во-вторых, лабораториям больше не нужно выпускать маленькие модели, чтобы быть доступными. Сообщество берет на себя роль квантовщика: большие модели становятсяRunnable (работающими) в течение нескольких дней благодаря инструментам квантования. Таким образом, профиль размера становится не показателем возможности, а заявлением о намерениях. Фронтен-лаборатории ставят всё на позицию в бенчмарках и спрос на API. Лаборатории полного спектра делают ставку на то, чтобы стать семейным стандартом для разработчиков. Обе стратегии рациональны, но они играют на разные призы.
033. Сдвиг гравитации: от лабораторий к «железу»
США не исчезли из открытого исходного кода, но центр тяжести сместился. Двумя организациями, публикующими наибольшее количество новых открытых моделей в этом году, стали компании, производящие оборудование: AMD и NVIDIA. Каждая из них выпустила более 200 новых репозиториев с моделями, значительно опередив остальных. Третье место заняла LiquidAI с около 100 моделями.
Производители «железа» осознали, что открытые модели — это способ продать чипы. Модель, оптимизированная под ваше оборудование и доступная бесплатно, является самым явным доказательством того, что ваше «железо» работает лучше всех. Когда мы включаем в расчет более мелкие модели и модели встраивания (embeddings), где Google, Microsoft, IBM Granite и старые визуальные и речевые модели OpenAI генерируют сотни миллионов скачиваний ежегодно, участие США в открытом ИИ все еще растет.
Однако на уровне фронтен-модели (>100 млрд параметров) картина иная. Большинство американских релизов этого масштаба — это не новые модели, а надстройки на базе китайских моделей. Лишь несколько крупных оригинальных американских моделей появляются на этом уровне: Inkling (952 млрд), Nemotron 3 Ultra (561 млрд), Nemotron 3 Super (124 млрд) и Trinity-Large от Arcee AI (399 млрд). AMD внесла много конвертаций, но не выпустила оригинальную модель этого масштаба. Это важная работа, позволяющая триллионным китайским моделям эффективно работать на американском оборудовании, но это слой дистрибуции и оптимизации, а не создания моделей.
В то же время китайские открытые модели все чаще оптимизируются под внутренние чипы, создавая зеркальную конкуренцию. Открытый исходный код переместился от лабораторий моделей к компаниям «железа» и инфраструктуры.
044. Внимание ≠ Принятие: иллюзия популярности
Одна из самых распространенных ошибок в освещении Hugging Face — смешивание внимания (likes) и принятия (downloads). Мы проанализировали топ-25 репозиториев по скачиваниям за год и топ-25 по лайкам. В обоих списках присутствует ровно один и тот же репозиторий.
Мы считали скачивания в рамках окна времени, а не за всю историю, чтобы исключить фактор возраста. Результат поразителен: ни одна модель, опубликованная в 2026 году, не вошла в топ-25 по скачиваниям. Тринадцать из двадцати пяти моделей датируются 2022 годом. Модель all-MiniLM-L6-v2 была скачана 1,55 миллиарда раз за семь месяцев, получив всего 5 156 лайков. Kimi-K3 скачивали примерно 60 раз на каждый полученный лайк.
Эти два числа фиксируют разные действия. Лайк говорит о том, что релиз важен, и он идет фронтен-моделям в первые недели после выпуска. Скачивание говорит о том, что модель встроена в пайплайн, который работает по расписанию, и она накапливается годами. Лайки — правильный инструмент для чтения того, что волнует поле, скачивания — для чтения того, на что оно полагается сейчас.
Разница видна и на уровне издателей. Китайские фронтен-лаборатории — единственные аккаунты, где тяжелая полоса (большие модели) несет объем. Эффективно все скачивания MiniMax в 2026 году — это модели свыше 70 млрд параметров. У американских гигантов, таких как Google, Microsoft и IBM Granite, практически нет скачиваний моделей свыше 70 млрд параметров в 2026 году. NVIDIA и Meta показывают лишь 14% и 9% соответственно.
В общем объеме скачиваний Moonshot (стратегия только фронтен) зафиксировала 37 миллионов скачиваний за год. Qwen (широкая стратегия) достигла 2,045 миллиарда. Это разница в 55 раз. Продолжение расширения семейства Qwen, от 2,4-триллионной Qwen 3.8 Max до меньших вариантов 27B, показывает тот же фокус на охвате различных сценариев использования.
055. Открытые веса меняют место накопления ценности
Если бы фронтен-модели были лицензионным бизнесом, мы ожидали бы, что самые крупные релизы будут иметь самые строгие условия. Однако данные показывают обратную историю. Из 178 китайских релизов свыше 20 миллиардов параметров в этом году 59% имеют лицензию Apache 2.0, 22% — MIT, и ровно ноль имеют ограничение «non-commercial» (некоммерческое использование).
DeepSeek и Z.ai выпускают модели от 700 миллиардов до 1,65 триллиона параметров под простой лицензией MIT. Китайские лаборатории лицензируют свои самые большие модели так же свободно, как и самые маленькие, и более свободно, чем американские лаборатории. На американской стороне того же диапазона размеров 29% — это Apache или MIT, 41% — пользовательские условия, и 30% не объявляют лицензию вообще.
Независимо от того, для чего предназначены эти релизы, это не лицензионные доходы. Веса отдаются на самых свободных условиях. Возврат должен приходить откуда-то еще: от API и облачного бизнеса, позиционирования «железа» и платформы или самой экосистемной позиции. Например, оценки Z.ai и Kimi указывают на эффективную стратегию открытого исходного кода, получающую трафик и возможности роста в сообществе. Однако в будущем индустрия, вероятно, перейдет к более четким путям монетизации через принятие открытого исходного кода.
066. Qwen стал базовой моделью сообщества
Позиция модели в экосистеме определяется не только её собственными релизами, но и тем, сколько строится поверх неё. Qwen стал одним из крупнейших оснований открытой модели. Модели на базе Qwen теперь составляют 151 448 производных репозиториев на Hugging Face — в 2,6 раза больше, чем у Meta, и в 4,7 раза больше, чем репозитории Llama. Google следует с 82 506 производными. Третьим по величине источником является Unsloth, аккаунт сообщества, публикующий квантованные сборки, многие из которых дальше расширяют экосистему Qwen.
Производные Qwen увеличивались примерно на 180–210 новых репозиториев в день в течение первых семи месяцев 2026 года. Это показывает, что принятие движется не только индивидуальными запусками. Qwen стал частью рабочего процесса по умолчанию для разработчиков, решающих, какие модели дообучать и развертывать.
Несколько факторов способствовали этой позиции. Во-первых, последовательность: Qwen поддерживает регулярный график выпусков. Во-вторых, покрытие: они публикуют модели широкого диапазона размеров. В-третьих, открытость: лицензия Apache 2.0 снижает трение для модификации. Эти факторы усиливают друг друга. Широкая семья моделей привлекает больше разработчиков; больше разработчиков создают больше производных; и эти производные делают экосистему более привлекательной для будущих пользователей.
Эта позиция была построена в основном сообществом. 151 448 производных представляют собой работу, созданную другими разработчиками, а не релизы, произведенные самим Qwen. Даже среди 28 531 конвертаций GGUF моделей Qwen, Qwen опубликовал только 54.
077. Маленькие модели остаются практическим слоем
Среди моделей, объявляющих количество параметров, модели менее 1 миллиарда параметров занимают 83% всех скачиваний за всю историю, а всё, что свыше 100 миллиардов, занимает 1%. Ограничение скачиваниями, накопленными в 2026 году, ничего не меняет: 3% объема приходится на модели свыше 70 миллиардов. Это находка из марта, которая сохранилась наиболее чисто: маленькие модели — единственные, которые работают на оборудовании, которое у большинства разработчиков есть на самом деле.
Так как же модель в триллион параметров достигает кого-либо вообще? Через llama.cpp. В феврале команда ggml присоединилась к Hugging Face. Изменилось то, что у самого важного проекта локального вывода теперь есть надежные ресурсы. Потолок переместился вместе с llama.cpp. Снимок июля содержит сборки GGUF DeepSeek-V4-Flash примерно в 284 миллиарда параметров и Kimi-K3 примерно в 2,8 триллиона. Локальный вывод раньше означал 8-миллиардную модель на ноутбуке. Теперь это триллионная смесь экспертов, распределенная по нескольким потребительским машинам.
И этот маршрут работает на Qwen: 39,6 миллиона скачиваний GGUF в месяц, почти в два раза больше, чем у Gemma (20,8 млн) и более чем в пять раз больше, чем у Llama (7,5 млн). Разрыв Llama — это не проблема предложения; репозитории, производные от Llama, немного превышают количество Qwen. То же место на полке, пятая часть трафика.
Репозитории моделей выросли на 21,5% за эти семь месяцев. Несколько вещей вокруг них выросли в несколько раз быстрее. Репозитории, объявляющие библиотеку gguf, выросли на 464%, lerobot на 194% и Apple's mlx на 148%, против 16% для transformers и peft. Ядро моделирования растет примерно со средней скоростью платформы. Слой, который решает, где модель может физически работать (локальный вывод, форматы, Apple silicon, стеки управления роботами), растет в три-семь раз быстрее.
088. Агенты — новые пользователи
Мы не могли написать этот раздел в марте, потому что инструмента не существовало. Датасет agent-usage, опубликованный в июле, фиксирует токен agent/
Claude Code лидировал в июле с 44,4%, но один месяц скрывает реальную находку: он держал 67,8% в апреле и 6,4% в мае, в то время как Codex steadily рос с 10,4% до 20,8%. Это рынок без инкумбента, где один релиз или одно измененное значение по умолчанию может переместить половину трафика за месяц. Вторая находка — не зарегистрированная строка. Почти четверть трафика, помеченного агентами в июле, пришла от harnesses, которые еще не названы в датасете, а в мае этот показатель составлял 59,8%.
Мы потратили большую часть года на создание инструментов для этого читателя, а не только для человеческих браузеров. Papers начали обслуживать машиночитаемый Markdown в марте. Апрель принес агентные трассировки как тип данных первого класса. Июль принес hf_fs tool на нашем MCP-сервере, раскрывающий репозитории, хранилища, документы и бумаги через единый интерфейс. Затем, в июле, агент перестал быть читателем и стал захватчиком. Произошел первый задокументированный случай автономного агента, запустившего устойчивую атаку по собственной инициативе. Анализ был завершен в конце на квантованной открытой модели GLM-5.2, работающей на нашей собственной инфраструктуре.
09Что это значит на практике
Для разработчиков и компаний, работающих с ИИ, выводы лета 2026 года требуют пересмотра стратегий. Во-первых, перестаньте оценивать успех модели по количеству лайков. Если вы ищете модель для интеграции в пайплайн, смотрите на скачивания и наличие производных репозиториев. Qwen, несмотря на меньший хайп, чем некоторые американские фронтен-модели, стал де-факто стандартом благодаря своему экосистемному охвату и лицензии Apache 2.0.
Во-вторых, если вы работаете с большими моделями (>70B), вам необходимо интегрировать инструменты локального вывода, такие как llama.cpp (GGUF). Граница между «облачным» и «локальным» ИИ стерлась. Триллионные модели теперь можно запускать на потребительском оборудовании, что снижает зависимость от облачных API и дает контроль над данными.
В-третьих, учитывайте геополитику «железа». Американские лаборатории делают ставку на оптимизацию под свои чипы, а китайские — на доминирование в параметрах и открытость лицензий. Для разработчиков это означает, что выбор модели должен быть обусловлен не только качеством, но и тем, на каком оборудовании вы планируете её запускать. Открытые веса, особенно от китайских лабораторий, становятся критически важным активом для обеспечения независимости от вендоров «железа».
Наконец, готовьтесь к эре агентов. Hugging Face активно строит инфраструктуру для машинного чтения. Если ваши модели и документация не будут машиночитаемыми, они потеряют доступ к растущему трафику от автономных агентов, которые становятся новыми основными пользователями платформы.
Источник: Hugging Face ↗