過去7個月，美國開源模型向中國“抄作業”

1000億參數模型下載量僅1%：大模型搶走風頭，小模型搶到機會 近期，Hugging Face發佈了最新報告《開源模型現狀：2026年夏季觀察報告》。報告中指出，2026年以來，中國實驗室在前沿開放模型的參數規模上持續領先，美國的競爭重心則逐漸從Meta、谷歌等模型實驗室轉向英偉達、AMD等芯片和基礎設施公司。更值得注意的是，中國模型正在成為美國千億級參數大模型的重要底座。報告中稱，今年前七個月，美國發布的1000億參數以上開源模型中，多數基於中國模型進行微調、量化、格式轉換或硬件適配。

與此同時，模型數量雖然持續快速增長，但真正被開發者長期使用的模型仍然集中在少數倉庫，模型熱度與實際採用之間也存在明顯差距。今年前七個月，Hugging Face上的公共模型倉庫從243萬個增至296萬個，數據集突破100萬個，Spaces（在線運行AI應用的平臺）增至144萬個。但85.6%的模型終身下載量不足200次，僅1.5%的模型倉庫貢獻了99.2%的下載量。Hugging Face上數據集的數量持續增長，2026年已突破100萬個 真正進入開發流程的模型，依然只是其中很小的一部分。

前沿模型不斷衝向萬億參數，實際下載卻仍然集中在小模型：在參數規模已知的模型中，1B（10億）參數以下模型佔歷史下載量的83%，超過1000億參數的模型僅佔1%。01 中國模型衝到前沿 今年前七個月，中國開源模型的月度參數規模上限在7540億至2.78萬億之間。美國有五個月的原創模型上限低於1300億參數，只有英偉達5月和6月發佈的Nemotron 3 Ultra（5610億參數）以及Thinking Machines Lab的Inkling（9520億參數）例外。2026年前七個月，中國實驗室的月度最大開源模型規模持續領先美國 此外，中國實驗室的模型規模策略也出現分化。

月之暗面、MiniMax、小米和智譜新模型主要集中在更大規模上。而阿里巴巴的Qwen覆蓋不同參數規模，形成了另一種路線。每家AI實驗室都有不同的模型規模策略 報告中解釋稱，這種變化與模型開發方式的變化有關。大模型本身已經很難成為差異化優勢，而量化工具的發展又讓大型模型能夠更快進入本地設備。實驗室沒有必要一定先發布小模型，再逐步向更大規模推進。與此同時，美國千億級開放模型中，越來越多並非從零開始。在這一規模上，美國原創模型數量有限。報告列出的主要模型包括Thinking Machines Lab的Inkling、英偉達Nemotron 3系列和Arcee AI的Trinity-Large。

AMD雖然上傳了大量超大模型轉換版本，但同期沒有發佈這一規模的原創基礎模型。這讓美國公司的角色出現了變化。2026年發佈新模型倉庫最多的兩家公司是英偉達和AMD，各自超過200個，遠高於其他機構。Hugging Face認為，英偉達和AMD發佈的模型大量圍繞自身芯片進行優化，模型本身也在成為硬件性能的展示。AMD與英偉達成為美國今年開源模型發佈數量最多的兩家硬件廠商 相比之下，谷歌和Meta過去幾年在開源模型領域的領先位置有所下降。開源模型的主要推動者，正在從傳統模型實驗室向芯片和基礎設施公司擴展。02 大模型很熱，小模型更實用 模型參數不斷增加，但下載量並沒有跟著轉向大模型。

Hugging Face統計顯示，2026年下載量最高的25個模型與點贊數最高的25個模型，只有一個重合。2026年發佈的模型沒有一個進入下載量前25名，其中13個模型來自2022年。通用文本嵌入模型all-MiniLM-L6-v2在今年前七個月被下載15.5億次，卻只有5156個贊。Kimi-K3則大約每獲得一個贊，對應60次下載。Hugging Face發現，點贊更多集中在新模型發佈後的關注期，下載則更多來自已經進入開發流程的模型。模型發佈時獲得多少關注，並不能直接反映後續使用規模。這種差異也體現在模型規模上。

在參數規模已知的模型中，1B以下模型佔歷史下載量的83%，超過1000億參數的模型僅佔1%。2026年的情況同樣如此，超過700億參數的模型下載量只佔3%。參數較小模型依然是下載主力 中國前沿實驗室的下載結構與美國機構明顯不同。Qwen憑藉覆蓋不同規模的模型家族達到20.45億次下載。而MiniMax今年的下載量幾乎全部來自700億參數以上模型，月之暗月為88%，DeepSeek為55%，智譜為39%。谷歌、微軟和IBM Granite在這一規模上的下載量幾乎為零，英偉達和Meta分別為14%和9%。

阿里Qwen成為下載量最多的開源模型系列 前沿模型不斷變大，但如何讓這些模型真正運行起來，已經成為另一個問題。2026年7月的Hugging Face快照中，已經出現DeepSeek-V4-Flash約2840億參數和Kimi-K3約2.8萬億參數的GGUF構建。GGUF是一種適合本地運行的模型文件格式。經過量化後，模型可以減少運行所需的內存，再配合llama.cpp等工具部署到本地設備。這使得超大模型不必完全依賴雲端。過去，本地運行大模型主要集中在幾十億參數規模。如今，開發者可以通過多臺消費級設備運行更大的混合專家模型。圍繞模型運行的工具也在快速增長。

過去七個月，Hugging Face模型倉庫增長21.5%，聲明使用gguf庫的倉庫卻增長464%，Apple MLX增長148%，LeRobot增長194%。03 競爭已經延伸到生態 模型開源之後，競爭並沒有結束。對於發佈者來說，更重要的問題是，開發者是否願意修改、部署，並在模型基礎上繼續開發。許可證是其中一個重要因素。今年超過200億參數的178箇中國模型中，59%採用Apache 2.0許可證，22%採用MIT許可證，兩種許可證都允許開發者修改、再發布和商業使用，沒有設置非商業限制。DeepSeek和智譜甚至用MIT許可證開放了7000億至1.65萬億參數的模型。

相比之下，美國同規模模型的授權方式更加分散，29%採用Apache或MIT許可證，41%使用自定義條款，還有30%沒有明確聲明許可證。這意味著，大型開放模型本身並不是主要的直接收入來源。模型免費開源後，商業價值更多需要通過API、雲服務、硬件和開發者生態實現。生態規模因此成為另一個競爭指標。Hugging Face數據顯示，基於Qwen的衍生模型已經超過15萬個。2026年前七個月，Qwen衍生模型每天新增約180至210個倉庫。這種生態效應同樣存在於本地運行領域。目前，十大模型家族中，官方提供GGUF版本的並不多，但社區已經圍繞這些模型製作了大量本地運行版本。

以Qwen為例，每月GGUF下載量約3960萬次，接近Gemma的兩倍，是Llama的五倍多。另一個正在擴大的變量是智能體。Hugging Face今年7月首次披露智能體訪問數據：Claude Code佔44.4%，低於4月的67.8%。Codex則從10.4%升至20.8%。與此同時，近四分之一流量來自尚未識別的工具，4月至7月還出現了十多個新的客戶端標識符。這表明智能體正在成為Hugging Face的新一類用戶。它們已經可以通過工具搜索模型、下載數據集、運行任務和調用應用，模型的使用入口正在從人工操作擴展到AI智能體。

04 Meta和英偉達重新入場 中國實驗室在開源模型領域的領先，也迫使美國公司重新調整策略。8月10日，Meta發佈Muse Glimmer，採用Apache 2.0許可證開放權重。一天後，英偉達推出Nemotron 3.5 Lightning。兩款模型都約300億參數，重點都放在本地部署和智能體工作負載上。Meta的Muse Glimmer針對本地智能體、編程和函數調用設計，量化版本可以壓縮到20GB以下。英偉達的Nemotron 3.5 Lightning則採用混合專家架構，並配套推出開源路由庫NeMo Switchyard，讓不同任務可以調用不同模型。

英偉達希望企業使用多個模型，再根據成本、速度和能力進行調度。Meta的迴歸尤其值得關注。過去兩年，中國公司在開源模型上的發佈速度明顯更快，Meta的Llama也已經不再是開發者唯一的主流選擇。Muse Glimmer的意義，不只是多了一個模型，而是Meta重新把開發者和本地部署放回開源戰略中心。此前的資料也顯示，中國開源模型在OpenRouter的token消耗中已經佔據明顯優勢。這場競爭最終會落到一個更具體的問題上：誰能讓開發者更方便地下載、修改、部署和長期使用模型。從目前的情況看，中國實驗室已經在前沿模型和生態建設上取得先手，美國公司正在重新進入戰場。

模型參數規模仍然重要，但決定長期位置的，越來越是模型能否進入真實工作流。這會讓開源模型市場的變化速度進一步加快。