Hugging Face 上的模型仓库,过去七个月从243万涨到296万,数据集从71.1万涨到100万,Spaces从100万涨到144万。这份刚发布的《State of Open Models: Summer 2026》报告里最扎眼的一句话却是:2026年发布的模型,一个都没能挤进下载量前25。榜首还是那批2022年的老面孔。
一份被广泛引用的官方生态报告,给出的两个核心结论——中国模型规模碾压美国、下载集中度高达99.2%——听起来都很干脆。但拆开看,这两个结论都还留着没填的空白。
先把数字摆清楚
报告里另一个反常点是:2026年中国实验室大多跳过了“先发小模型再往上做”的老路,月度参数峰值在7540亿到2.78万亿之间;美国这边,除了NVIDIA和Thinking Machines的两次例外,大部分月份连1300亿都没摸到。同期,发新模型仓库数量最多的美国机构,不是Google也不是Meta,是NVIDIA和AMD——两家做芯片的公司,今年各自发布的模型仓库都超过200个。
这几个事实本身没问题,报告的两处解释,却经不起细问。
“更大”未必“更强”
参数量对比最容易骗眼睛。开源大模型现在大多是MoE(混合专家)架构,总参数量和真正参与计算的激活参数是两个数字,差距经常是十倍以上。
Moonshot的Kimi K2总参数1万亿,每次推理真正激活的只有320亿。MiniMax M1总参数4560亿,激活参数45.9亿。阿里Qwen3-235B-A22B总参数2350亿,激活220亿。作为对照,Meta迄今最大的公开权重模型Llama 4 Maverick,总参数4000亿,激活170亿。
Kimi K2的激活占比是四者里最低的,3.2%。也就是说,“中国模型峰值2.78万亿”这个数字,大部分容量根本不参与单次推理——它撑的是能力上限,不是每次调用的计算成本。报告把这一层拿掉,直接比总参数,得出的“中美差距”自然显得更悬殊。
报告里提到的“Nemotron 3 Ultra(561B)”也有一处对不上号:NVIDIA公开命名体系里能找到的是Llama Nemotron Ultra(253B)和早前的稠密模型Nemotron-4 340B,没有能直接对应561B这个数字的官方型号。不确定是版本混淆,还是有未公开命名的中间版本,这一点报告方该补一句说明。
- 提醒.参数规模是营销叙事的一部分,MoE的激活参数才是真正的算力账单。
一份报告,也该接受审计
报告最容易被引用、也最容易被误读的一句话是:85.6%的模型下载量低于200次,1.5%的仓库拿走99.2%的下载量。这句话足够耸动,但没说清楚一件事——分母是什么。
是去重后的独立用户拉取,还是包含CI流水线、缓存失效反复触发的原始请求次数?量化版本(GGUF、AWQ、GPTQ这些格式)是被合并统计,还是分开计算?如果是合并统计,那些因为显存不够、只能用量化小份跑大模型的开发者,会被算作对“社区量化范式”的主动选择,而不是对硬件成本的被动妥协。这两种解释指向完全不同的结论,报告没有说明取哪一种。
同样的问题也出现在下载榜和点赞榜的对比上。25席只重合1个,2026年发布的模型无一进入下载前25——这个现象是真实存在的,说明点赞记录的是当下关注,下载记录的是长期依赖。但“依赖”本身有没有算重复调用、有没有按机构去重,报告同样没交代。
一份用来评价别人生态健康度的报告,自己的统计口径也该经得起追问。
谁在靠开源真正赚钱
这也解释了NVIDIA和AMD为什么愿意成为今年发新模型仓库最多的机构。它们不靠模型收授权费,模型是免费的、License也大多宽松。它们要的是证明:这块芯片能跑,而且跑得比别的芯片好。开源模型在这里是销售物料,不是产品本身。
Google和Meta在新模型发布数量上被硬件厂商甩到后面,Meta旗舰模型转向闭源,不代表美国退出了开源——微软、IBM Granite这类账号的下载量依然巨大,只是重心从“做模型的实验室”滑向了“卖硬件的公司”。这批数字之下,真正没变的是那句老话:天下熙熙,皆为利来。芯片厂商发模型,图的是芯片卖得动;中国实验室把万亿参数模型用最宽松的License免费放出来,图的也不是授权费,是API生意、云生意和生态位置。开源从来不是慈善,报告如果只讲规模和下载量,不讲清楚这些数字背后各自的生意账,读者拿到的只是一半的事实。