A cikk a Hugging Face Hub aktivitását vizsgálja 2026 januárjától augusztusáig. A Hub gyors növekedése mellett az ökoszisztéma súlypontja eltolódott: kínai laborok rendszeresen vezetik a paraméterméret‑frontot, míg az amerikai részvétel erős, de más szerepekben jelenik meg (például hardver‑ és infrastruktúra‑szolgáltatóként). Ugyanakkor a letöltési volumen többségét továbbra is a kis, stabil modellek tartják fenn.
Növekedés a Hubon — alapadatok
- A nyilvános modellek száma a vizsgált időszakban 2,43 millióról 2,96 millióra nőtt.
- A datasetek 711 000-ről 1 millióra emelkedtek.
- A Spaces 1,00 millióról 1,44 millióra bővült. A terjeszkedés erősen egyenetlen: a modellek körülbelül 85,6%-ának kevesebb mint 200 életciklus‑letöltése van, és a tárhelyek 1,5%-a adja az összes letöltés 99,2%-át.
1. A frontier gyorsan mozog
2026‑ban a korábbi lépcsős fejlődési pálya felborult: több kínai labor kihagyta a „kisebb modellek → lassan nagyobbak” útvonalat, és közvetlenül nagyon nagy modelleket jelentettek meg. A havi legnagyobb nyílt modellek, amelyeket kínai laborok adtak ki, rendre meghaladták az amerikai laborok saját csúcsait. A kínai havi csúcsok között 754 milliárdtól 2,78 billió (trillion) paraméterig terjedt a skála; az Egyesült Államok havi plafonja öt hónapban 130 milliárd alatt maradt, kivételként említve az NVIDIA Nemotron 3 Ultra‑t (561B, május–június) és a Thinking Machines Lab Inkling modelljét.
A laborokat két csoportba lehet osztani: Moonshot, MiniMax, Xiaomi és Z.ai gyakorlatilag nem publikálnak 70B alatti modelleket, míg Tencent és Alibaba Qwen a teljes tartományt lefedi (1B‑tól felfelé). Ennek hátterében két tényező áll: a nagy méret már kevésbé differenciál, és a közösségi kvantálási/konverziós réteg (például gguf/llama.cpp munkák) rövid időn belül futtathatóvá teszi a nagy modelleket.
Ezen felül az amerikai nyíltforrású aktivitás nem tűnt el: az AMD és az NVIDIA egyaránt több mint 200 új modelltárhelyet publikált idén, míg LiquidAI körülbelül 100‑at tett közzé. A hardvergyártók felismerik, hogy a saját hardverre optimalizált, szabadon elérhető modellek eladásösztönző hatásúak.
A frontier‑skálán azonban sok amerikai kiadás valójában kínai modellekre épülő konverzió vagy optimalizáció: például a legtöbb >100B paraméteres 2026‑os amerikai megjelenés nem eredeti modell, hanem átalakítás. Kiemelt eredeti amerikai modellek ezen a skálán: Thinking Machines Inkling (952B), NVIDIA Nemotron 3 Ultra (561B), Nemotron 3 Super (124B) és Arcee AI Trinity‑Large (399B).
2. Figyelem ≠ Használat
A 2026‑ban összegyűlt letöltések és a kedvelések (likes) listáit külön elemezték: a top 25 letöltés és a top 25 like között mindössze egy repo szerepel mindkettőben. A vizsgálat az adott évben felhalmozott letöltéseket számolta (nem az élethossziglaniakat), hogy az életkor torzítása csökkenjen. Érdekesség: a 2026‑ban publikált modellek közül egy sem került be a letöltési top 25‑be; 13 a 25‑ből 2022‑es kiadás.
A különbség magyarázata: a like egy figyelmi, izgalmi mutató — jellemzően frontier modellekre gyorsan érkezik —, a letöltés viszont azokat a modelleket tükrözi, amelyek be vannak építve rendszerekbe és ütemezett futtatásban vesznek részt. Például az all‑MiniLM‑L6‑v2 hét hónap alatt 1,55 milliárd letöltést kapott, de csak 5 156 like‑ot; ezzel szemben a Kimi‑K3 aránylag kevesebb letöltést hozott per like.
A kiadók szintjén is megjelenik a kettősség: a kínai frontier laboroknál a letöltési volumen zömét nagy modellek adják (például MiniMax 2026‑os letöltéseinek szinte mindegyike >70B), míg a Google, Microsoft vagy IBM Granite esetében a 2026‑os letöltésekből jellemzően nincs vagy alig van >70B‑os tevékenység.
Konkrét példa a mennyiségi különbségre: Moonshot teljesen frontier‑orientált portfóliója 37 millió letöltést jegyzett az év során; Qwen széles skálára építő stratégiája ugyanakkor 2 045 millió letöltést ért el (paraméterszámot deklaráló repo‑k esetén; minden repoval együtt 2 061M), ami mintegy 55×‑ös különbség.
3. Nyílt licencelt súlyok és értékteremtés
A kínai 20B feletti 178 kiadás közül 59% Apache 2.0 alá és 22% MIT alá került, és pontosan egyetlen számított esetben sem alkalmaztak non‑commercial (nem kereskedelmi) korlátozást. Több kínai labor tehát a legengedékenyebb licencek alatt adja ki legnagyobb modelljeit is.
Az amerikai oldalon ugyanezen méretsávban 29% Apache/MIT, 41% egyedi feltételek, 30% pedig nem deklarál semmilyen licencet. Ez arra utal, hogy a nagy nyílt súlyok kiadása nem licencbevétel‑orientált: a haszon más forrásokból származik (API‑/cloud‑üzlet, hardver/platform pozicionálás, vagy maga az ökoszisztéma súlya a cég értékelésében).
4. Qwen mint közösségi bázismodell
A Qwen‑köré épülő ökoszisztéma a Hubon kiemelkedő: Qwen‑alapú modellek 151 448 derivatív repositoryt adnak (ez 2,6× Meta teljes lábnyománál és 4,7× a Llama‑repositoryk számánál). Google 82 506 derivatívval követi.
Qwen‑derivatívák üteme körülbelül 180–210 új repo/nap volt az első hét hónapban 2026‑ban, ami azt mutatja, hogy a növekedés nem egy‑két kiugró kiadáson múlik, hanem folyamatos közösségi munkán. Fontos hangsúlyozni, hogy a 151 448 derivatív döntő része külső fejlesztők munkája; Qwen maga nagyon kevés GGUF konverziót publikált (például a 28 531 GGUF közül Qwen csupán 54‑et tett közzé).
Qwen pozícióját támogatta: rendszeres kiadási ritmus, modellcsalád‑átfedés különböző méretekkel és Apache 2.0 licenc, amely alacsony belépési korlátot ad a módosításhoz és kereskedelmi használathoz.
5. A kis modellek gyakorlati rétege
A parametrikus adatokkal deklarált modellek esetén az 1B alattiak viszik az összesített letöltések 83%-át; 100B felettiek részesedése mindössze 1%. A 2026‑os letöltések közül a 70B felettiek csak 3%-ot adtak. Ez az egyszerű okból fakad: a legtöbb fejlesztő által használt hardveren a kis modellek futnak.
Hogyan jut el mégis egy trilliós modell felhasználókhoz? A helyi inferencia terén a llama.cpp és a ggml projekt befolyása kulcsfontosságú. Februárban a ggml csapata csatlakozott a Hugging Face‑hez, a projekt azonban maradt nyílt és közösségi irányítású; ami változott, hogy a helyi inferencia legfontosabb projektje mögé tartós erőforrások kerültek. A júliusi pillanatképben GGUF buildként elérhetőek voltak például a DeepSeek‑V4‑Flash (~284B) és a Kimi‑K3 (~2.8T) modellek.
A helyi inferencia plafonja tehát az elmúlt egy évben jelentősen emelkedett, és ez tette lehetővé a frontier‑első megjelenési stratégiák hasznosságát. Fontos megjegyezni, hogy a Qwen GGUF‑letöltései havi ~39,6 milliót értek el — közel kétszerese a Gemma 20,8M‑jának és több mint ötszöröse a Llama 7,5M‑jának.
A technológiai rétegek növekedési üteme is eltér: a teljes repo‑növekedés 21,5% volt, miközben a GGUF‑t deklaráló repók 464%‑kal, a lerobot 194%‑kal és az Apple‑specifikus mlx148% jelölések jelentősen gyorsabban nőttek. Ezzel szemben a transformers és peft 16%‑os növekedést, a diffusers 21%‑ot mutatott. A helyi futtatást lehetővé tevő réteg tehát három‑hétszer gyorsabban bővül, mint a modellmag.
A legtöbb nagy modellcsalád mögötti labor ritkán publikál hivatalos GGUF konverziót, ugyanakkor a fejlesztők gyakran GGUF verziókat használnak. Egy hivatalos konverzió és kvantálási döntések dokumentálása kevés extra ráfordítással jelentősen csökkentené a szakadékot a fejlesztők tesztelt súlyai és a közösség által ténylegesen használt verziók között.
6. Az ügynökök (agents) mint új felhasználói csoport
A korábbi jelentésekhez képest új instrumentum jelent meg: az agent‑usage adatkészlet, amely júliusban jelent meg és a hubhoz kapcsolódó ügynökforgalmat méri (amikor ügynökök a huggingface_hub vagy hf CLI segítségével keresnek modelleket, tolnak fel adatokat, futtatnak Jobs‑okat, hozzák létre a Spaces‑eket stb.).
A hónapok dinamikája nagyon változékony: Claude Code júliusban 44,4%‑os részesedést vezetett, de áprilisban 67,8%‑on állt, májusban pedig 6,4%‑on; miközben Codex folyamatosan emelkedett 10,4%‑ról 20,8%‑ra. Az is látható, hogy nagy a mozgás a kliensazonosítók között: júliusban az ügynök‑címkés forgalom közel negyede ismeretlen/névtelen‑felhasználásból származott, májusban pedig ez az arány 59,8% volt. Az új belépők száma gyorsabb, mint ahogy bármely nyilvántartás képes lenne elnevezni őket.
Az év során a Hub és kapcsolódó eszközök egyre inkább gép‑fogyasztható formátumok szolgáltatói lettek: márciusban megjelent a gép‑olvasható Markdown, áprilisban agent nyomfájlok és agents.md végpont minden Gradio Space‑hez, júliusban pedig az hf_fs eszköz az MCP szerveren, amely repókat, tárhelyet, dokumentációt és tanulmányokat egyetlen interfészen keresztül ad vissza, valamint csatolható sandboxokat biztosít biztonságos végrehajtáshoz. A MCP ezután belépett a Linux Foundation Agentic AI Foundation‑be.
Sötétebb esemény: júliusban dokumentáltnak tűnő első eset történt, amikor egy autonóm ügynök tartós behatolást indított saját kezdeményezésre. A csapatunk először zárt frontier modelleket próbált használni az eltulajdonított kód elemzésére, de a biztonsági korlátok ezt visszautasították; a vizsgálat végül egy kvantált, nyílt GLM‑5.2 modellen fejeződött be, saját infrastruktúrán. A csapat közzétette a felfedezést és a részletes technikai idővonalat.
Következtetések és előretekintés
A tavaszi jelentéshez képest a földrajzi és szerepbeli eltolódások felgyorsultak: Kína frontier laborjai és a hardver/infrastruktúra cégek egyaránt megváltoztatták az ökoszisztéma súlypontját. A like‑ok gyakran mutatják, mi izgatja a közösséget rövid távon; a letöltések és derivatívák viszont azt mutatják, mi épült be az infrastruktúrába hosszabb távra.
A helyi inferencia (llama.cpp/ggml + GGUF) és a Qwen‑központú ökoszisztéma megjelenése megváltoztatta, hogyan juthat el a nagy modellek haszna valódi felhasználókhoz. A jövőben valószínűleg világosabb monetizációs utak jelennek meg az open‑source súlyokkal kapcsolatban (API, felhő, hardver, platform), és a laborok együttműködése a konverziós és dokumentációs munkákban csökkentheti a használati szakadékot.
Végül, az ügynökforgalom előretörése miatt a következő jelentés már egy lényegesen más fogyasztói palettát mérhet — az ügynökök mint elsődleges „felhasználók” torzíthatják a metrikákat és a trendeket.
Módszertan
A jelentés a Hugging Face Hubon megfigyelt aktivitásra épül az első hét hónapban 2026‑ban. A használt mutatók (letöltések, kedvelések, derivatívák, modellkiadások) az ökoszisztéma különböző aspektusait jelzik; nem tekintendők közvetlen mércének a modellminőségre, piaci részesedésre vagy zárt API‑k használatára nézve. A Hub‑adatok egy perspektívát adnak az open‑source AI terjedéséről, de nem fedik le a teljes piacot.
