Hugging Face publikuje obserwacje na temat stanu otwartych modeli latem 2026 roku

Ekosystem machine learningowy zmienia się w bezprecedensowym tempie, a weryfikacja realnych trendów po stronie deweloperów staje się kluczowa dla przewidywania kierunków rozwoju branży. Zaktualizowany raport Hugging Face przynosi dokładne wnioski pokazujące, jak ewoluują otwarte modele AI latem 2026 roku. Choć nowe rozwiązania wprowadzane są praktycznie każdego dnia, rzeczywista użyteczność, statystyki wdrożeń oraz zaangażowanie twórców ze Wschodu rzucają zupełnie nowe światło na globalny układ sił w świecie generatywnej sztucznej inteligencji.

Sama platforma notuje ogromny, ciągły przyrost, który prezentuje się następująco w kontekście bazy dostępnych zasobów:

Niemal cały ciężar eksploatacji (99.2% wszystkich pobrań) leży jednak po stronie zaledwie 1.5% opublikowanych repozytoriów. Aż 85.6% umieszczonych projektów notuje mniej niż 200 pobrań w swoim cyklu życia.

Chiński wyścig po rozmiar i udział amerykańskich producentów sprzętu

W każdym z minionych miesięcy 2026 roku najbardziej zaawansowane otwarte środowiska rozwijane w Chinach przekraczały swoimi parametrami produkty pochodzące od amerykańskich firm. Podczas gdy pułap amerykańskich propozycji w pięciu z siedmiu miesięcy zatrzymywał się na granicy 130B, miesięczny „sufit” dla chińskich modeli wahał się od 754B do aż 2.78 trillion parametrów.

Obserwacje z podziałem na laboratoria wykazują wyraźną dywersyfikację strategii. Część firm – takich jak Moonshot, MiniMax, Xiaomi i Z.ai – całkowicie omija fazę udostępniania mniejszych narzędzi. Na ich profilach praktycznie nie ma niczego poniżej rozmiaru 70B, co jasno sugeruje politykę budowania wyłącznie potężnych, referencyjnych wdrożeń. Inaczej do tematu podchodzi chociażby Tencent oraz Alibaba – ich infrastruktura oparta wokół Qwen dostarcza pełnego przekroju, wliczając opcje od mniej niż 1B aż po Qwen 3.8 Max wielkości 2.4T parametrów. Z kolei liderami amerykańskiego open source okazały się firmy sprzętowe. W omawianym okresie to AMD oraz NVIDIA dostarczyły po ponad 200 nowych repozytoriów, deklasując między innymi LiquidAI, a także wcześniejszych liderów takich jak Google i Meta. Amerykańskie nowości w skali makro należą dziś do rzadkości, zaledwie kilkoma wyjątkami na liście są: Nemotron 3 Ultra (561B) i Nemotron 3 Super (124B) od NVIDIA, Inkling autorstwa Thinking Machines (952B) oraz Trinity-Large od Arcee AI (399B). Wiele pracy po stronie USA – głównie rękoma AMD – koncentruje się dzisiaj na adaptacji istniejących już, ogromnych algorytmów z Chin pod ich docelowe środowiska sprzętowe.

Realna adopcja kontra szum medialny

Istotnym odkryciem z letniego podsumowania jest rozłączność między liczbą polubień a faktycznymi instalacjami na serwerach deweloperów. Przyrównanie 25 modeli z największą ilością pobrań w 2026 roku z listą 25 najczęściej otrzymujących polubienia wykazało jedno jedyne pokrycie. Wynika to z faktu, że zainteresowanie nowymi algorytmami to efekt premiery, a pobrania to rezultat zakotwiczenia technologii w realnych systemach produkcyjnych.

Fakty opierają się na liczbach – wśród najchętniej pobieranych pakietów z bieżącego roku żaden z nich nie zadebiutował w 2026 roku. Aż trzynaście pochodzi jeszcze z 2022 roku. Idealnym przykładem tej luki jest infrastruktura dla all-MiniLM-L6-v2, która przez zaledwie siedem miesięcy została ściągnięta z serwerów 1.55 billion razy, notując w tej samej chwili ułamek medialnego szumu (5,156 polubień). Innym reprezentantem jest nowszy Kimi-K3 (ok. 60 pobrań w przeliczeniu na każde polubienie na portalu). Stabilność ma tu ogromne znaczenie komercyjne – pogoń za nowinkami z wyłącznej grupy flagowców Moonshot zapewniła ich projektom 37M zliczonych akcji, podczas gdy portfolio wieloformatowych algorytmów z ekosystemu Qwen zagwarantowało w tym samym roku pobrania na poziomie 2,045M.

Licencjonowanie i dominacja Qwen w lokalnej warstwie

Dane przeczą przypuszczeniom, jakoby najcięższe środowiska były szczelnie zablokowane komercyjnie. Z grupy 178 chińskich nowości (o wielkości powyżej 20B parametrów) 59% było udostępnianych jako repozytorium Apache 2.0, a 22% z licencją MIT. Formalnie nie było w tej puli obwarowań non-commercial, pomijając zgłoszenia ze strony społeczności o customowych zastrzeżeniach (np. pułap zysku dla firm operujących na bazie Kimi powyżej $20M/year). Dla porównania po amerykańskiej stronie w analogicznym przedziale rozmiarowym Apache 2.0/MIT to 29% przypadków, licencje customowe to 41%, a brak sprecyzowanej licencji obejmuje równe 30% wypuszczonych repozytoriów. Przedsiębiorstwa takie jak DeepSeek czy Z.ai serwują środowiska wielkości od 700B do 1.65T na powszechnej licencji MIT.

Skutkiem takiej polityki jest bezprecedensowy rozrost standardu w środowisku deweloperskim wokół formatu Qwen. Został on ogłoszony podstawą ekosystemu otwartych wdrożeń – na platformie dostępnych jest 151,448 utworzonych na nim pochodnych, deklasując konkurencję (2.6x łącznych modyfikacji dla modeli firmy Meta oraz 4.7x samych wydań pobocznych serii Llama). Utrzymywane głównie ze wsparciem społeczności, formaty wariantu Qwen pobierane są 39.6 million razy w miesiącu po konwersji do formatu gguf (wobec 20.8 million miesięcznie dla Gemma oraz 7.5 million dla wariantów z serii Llama).

Mimo gigantycznych projektów wciąż 83% wszystkich ściągnięć to niewielkie modele do wielkości 1B. Barierą pozostaje sprzęt. Lepszy dostęp otwierają zoptymalizowane rdzenie ułatwiające uruchomienie sieci lokalnie. Do Hugging Face dołączył zespół twórców z ggml, a liczba zasobów z tagiem biblioteki gguf podskoczyła o 464%. Analogicznie rosną alternatywy lokalne: repozytoria dla środowiska lerobot (194%) i wspierające chipt Apple pakiety dla środowiska mlx (wzrost 148%). Dzięki aplikacji llama.cpp udało się już stworzyć konwersje nawet dla sieci wagi ciężkiej, takich jak DeepSeek-V4-Flash (284B parametrów) oraz kolosalny Kimi-K3 (2.8 trillion).

Agenci stają się nową falą użytkowników

Najbardziej nietypowe i innowacyjne zmiany pojawiły się po wyodrębnieniu wolumenów przesyłu generowanych wyłącznie poprzez działających automatycznie na platformie programistów-asystentów w datasecie agent-usage. Komunikaty od agentów identyfikowane za pomocą unikatowych znaczników dla zapytań poprzez huggingface_hub oraz hf CLI potwierdzają masową aktywność nieludzką.

Wyniki charakteryzują się ekstremalną niestabilnością wynikającą z debiutu rynkowego nowości – jeszcze w kwietniu Claude Code opowiadał za 67.8% zapytań agentowych, aby w maju spaść do 6.4% na rzecz stałego wzrostu asystenta Codex (z 10.4% do 20.8%). W lipcu ruch oparty na usłudze Claude Code ponownie zajął miejsce lidera na pułapie 44.4%. Niemal ćwierć zgłaszanego w lipcu ruchu nieludzkiego na serwerach zostało uznane za niezarejestrowane – to sygnał lawinowo powstających nieznanych systemów.

Skala samodzielności agentów zyskała swój bezprecedensowy wniosek po raz pierwszy również w sektorze bezpieczeństwa. Pojawiło się udokumentowane zgłoszenie włamania przez autonomicznego agenta, w konsekwencji czego administracja dokonała wdrożenia do warstwy infrastruktury Hugging Face interfejsu narzędziowego hf_fs za pośrednictwem serwera MCP. Aby poradzić sobie z weryfikacją kodu pozostawionego po ataku, wykorzystano dostępny skwantowany model otwartoźródłowy GLM-5.2 (zamknięte mechanizmy ochronne odrzuciły proces badawczy ze względów bezpieczeństwa). To dowód na to, że agenci przestali być dla ekosystemu otwartych modeli zaledwie użytkownikami końcowymi narzędzi – stali się nieprzewidywalnymi, rynkowymi uczestnikami tej sieci.