رقابت هوش مصنوعی در سالهای اولیه بیشتر با نام مدلهای بزرگ و Benchmarkهای جدید شناخته میشد، اما دادههای تازه Hugging Face نشان میدهد در سال ۲۰۲۶ سؤال مهمتری مطرح شده است: کدام مدلها واقعاً وارد ابزارها و جریان کاری توسعهدهندگان میشوند؟
گزارش State of Open Models: Summer 2026 تصویری متفاوت از بازار ارائه میدهد. از یک طرف، آزمایشگاههای چینی مدلهای Open-Weight را به مقیاس چندصد میلیارد و حتی چندتریلیون پارامتری رساندهاند؛ از طرف دیگر، بخش بزرگی از استفاده واقعی همچنان مربوط به مدلهای کوچک و قدیمیتری است که سالهاست در نرمافزارها و Pipelineهای مختلف استفاده میشوند. در میان این دو جریان، Qwen توانسته به یکی از مهمترین پایههای توسعه مدلهای جدید تبدیل شود و همزمان AI Agentها نیز به کاربران جدید زیرساختهای Hugging Face تبدیل شدهاند.
اکوسیستم Open Model با چه سرعتی رشد کرده است؟
Hugging Face میگوید از ابتدای ۲۰۲۶ تا پایان ژوئیه، تعداد Repositoryهای عمومی مدل از ۲.۴۳ میلیون به ۲.۹۶ میلیون رسیده است. تعداد Datasetها نیز از ۷۱۱ هزار به حدود یک میلیون و Spaces از یک میلیون به ۱.۴۴ میلیون افزایش یافته است.
اما این رشد یک نکته مهم را پنهان میکند: عرضه مدل بسیار بیشتر از استفاده واقعی آنهاست. حدود ۸۵.۶٪ مدلها در Hub کمتر از ۲۰۰ دانلود مادامالعمر دارند و تنها ۱.۵٪ Repositoryها تقریباً ۹۹.۲٪ کل دانلودها را ایجاد کردهاند. بنابراین انتشار یک مدل جدید لزوماً به معنای Adoption گسترده نیست.
این تفاوت برای تحلیل صنعت AI اهمیت زیادی دارد. بازار Open Model فقط مسابقهای برای انتشار مدل جدید نیست؛ برنده واقعی ممکن است مدلی باشد که سالها در پروژهها، اپلیکیشنها و زیرساختهای توسعهدهندگان باقی بماند.
چین چگونه به مرز مدلهای Open-Weight رسیده است؟
یکی از مهمترین یافتههای Hugging Face، تغییر موازنه جغرافیایی مدلهای باز است. در تقریباً تمام ماههای ۲۰۲۶، بزرگترین مدل Open منتشرشده از سوی یک آزمایشگاه چینی از مدلهای آمریکایی همان ماه بزرگتر بوده است. سقف مدلهای چینی در این دوره بین حدود ۷۵۴ میلیارد تا ۲.۷۸ تریلیون پارامتر حرکت کرده، در حالی که مدلهای آمریکایی در پنج ماه از هفت ماه زیر ۱۳۰ میلیارد پارامتر باقی ماندهاند.
البته تعداد پارامتر بهتنهایی معیار کیفیت نیست. اهمیت این اتفاق بیشتر در تغییر استراتژی شرکتهاست. شرکتهایی مانند Moonshot، MiniMax، Xiaomi و Z.ai مستقیماً سراغ مدلهای بسیار بزرگ رفتهاند، در حالی که Alibaba و Tencent خانوادههایی از مدلهای کوچک تا بسیار بزرگ ارائه میکنند.
این تفاوت دو استراتژی را نشان میدهد: یک شرکت میتواند تمام تمرکز خود را روی Frontier Model و Benchmark بگذارد، یا خانوادهای گسترده بسازد که توسعهدهنده برای هر اندازه سختافزار بتواند در همان اکوسیستم باقی بماند.
محبوبیت با استفاده واقعی یکی نیست
یکی از جالبترین بخشهای گزارش، مقایسه Likes و Downloads است. Hugging Face، ۲۵ Repository برتر از نظر Likes و ۲۵ مدل برتر از نظر دانلود طی سال ۲۰۲۶ را مقایسه کرده و فقط یک مدل در هر دو فهرست قرار گرفته است. حتی هیچ مدلی که در ۲۰۲۶ منتشر شده، وارد ۲۵ مدل برتر دانلود نشده و ۱۳ مدل این فهرست به سال ۲۰۲۲ برمیگردند.
این تفاوت نشان میدهد Like بیشتر نماینده توجه و هیجان جامعه است، اما Download میتواند نشان دهد چه مدلی واقعاً داخل Pipelineها و محصولات قرار گرفته است. مدل Frontier جدید ممکن است هزاران Like بگیرد، اما یک Embedding Model قدیمی میتواند روزانه میلیونها بار در زیرساختهای واقعی استفاده شود.
به همین دلیل، ارزیابی وضعیت صنعت AI تنها براساس ترندهای شبکههای اجتماعی یا رتبه Benchmark میتواند تصویر ناقصی ایجاد کند.
Qwen چگونه به مدل پایه جامعه Open Model تبدیل شد؟
شاید مهمترین نتیجه گزارش برای Alibaba این باشد که Hugging Face، Qwen را یکی از بزرگترین پایههای اکوسیستم مدلهای باز میداند.
براساس دادههای Hub، بیش از ۱۵۱ هزار مدل مشتقشده بر پایه Qwen ساخته شده است؛ رقمی حدود ۲.۶ برابر کل ردپای مدلهای Meta و ۴.۷ برابر Repositoryهایی که مشخصاً از Llama مشتق شدهاند. Google نیز با بیش از ۸۲ هزار مدل مشتقشده در جایگاه بعدی قرار دارد.
طبق گزارش، در هفت ماه نخست ۲۰۲۶ روزانه تقریباً ۱۸۰ تا ۲۱۰ Repository جدید مبتنی بر Qwen ایجاد شده است. این یعنی موفقیت Qwen دیگر فقط نتیجه یک عرضه پرسروصدا نیست، بلکه توسعهدهندگان بهصورت مستمر آن را برای Fine-Tuning، Quantization و ساخت مدلهای تخصصی انتخاب میکنند.
یکی از دلایل این رشد، تنوع خانواده Qwen است. Alibaba از مدلهای کوچک قابل اجرا روی دستگاههای شخصی تا مدل عظیم Qwen3.8-Max را در یک خانواده ارائه میکند. توسعهدهنده میتواند بدون تغییر کامل اکوسیستم، مدل متناسب با سختافزار و پروژه خود را انتخاب کند.
چرا مدلهای کوچک هنوز لایه عملی AI هستند؟
مدلهای چندتریلیون پارامتری بخش عمده اخبار را به خود اختصاص میدهند، اما استفاده واقعی تصویر متفاوتی دارد. در میان مدلهایی که تعداد پارامتر خود را اعلام کردهاند، مدلهای زیر یک میلیارد پارامتر ۸۳٪ کل دانلودهای تاریخی را تشکیل میدهند، در حالی که سهم مدلهای بالای ۱۰۰ میلیارد پارامتر تنها حدود یک درصد است. حتی اگر فقط دانلودهای ۲۰۲۶ را بررسی کنیم، مدلهای بالای ۷۰ میلیارد پارامتر حدود ۳٪ حجم را تشکیل میدهند.
دلیل ساده است: مدل کوچک روی سختافزاری اجرا میشود که توسعهدهنده واقعاً در اختیار دارد. هزینه استقرار پایینتر است، Latency کمتر میشود و برای بسیاری از وظایف تخصصی نیازی به یک Frontier Model عظیم وجود ندارد.
بنابراین «مدل بزرگتر» لزوماً به معنی «مدل پرکاربردتر» نیست.
Local AI چگونه مدلهای بزرگ را به سختافزار معمولی نزدیک میکند؟
در کنار مدلهای کوچک، اکوسیستم Quantization و Local Inference نیز رشد سریعی داشته است. Hugging Face بهطور ویژه به نقش llama.cpp و فرمت GGUF اشاره میکند؛ ابزارهایی که اجرای نسخههای فشردهشده مدلهای بزرگ را روی سختافزارهای مصرفی یا مجموعهای از چند سیستم امکانپذیر کردهاند.
گزارش میگوید Repositoryهایی که از GGUF استفاده میکنند در این بازه ۴۶۴٪ رشد کردهاند؛ بسیار سریعتر از رشد کلی Repositoryهای مدل. Qwen نیز حدود ۳۹.۶ میلیون دانلود ماهانه GGUF داشته، در مقایسه با ۲۰.۸ میلیون برای Gemma و ۷.۵ میلیون برای Llama.
این روند را در مدلهایی مانند DeepSeek V4 Flash نیز میتوان دید؛ جایی که Quantization و ابزارهای Community فاصله میان مدل Frontier و سختافزار در اختیار کاربران را کمتر میکنند.
Agentها؛ کاربران جدید Hugging Face Hub
یکی از تازهترین تغییرات اکوسیستم این است که دیگر همه کاربران Hub انسان نیستند. Hugging Face از ماههای اخیر شروع به ثبت درخواستهایی کرده که Coding Agentها از طریق huggingface_hub یا CLI ارسال میکنند. این Agentها میتوانند مدل جستوجو کنند، Dataset بسازند، Job اجرا کنند یا Space ایجاد کنند.
در ژوئیه، Claude Code حدود ۴۴.۴٪ درخواستهای Agent-attributed ثبتشده را به خود اختصاص داده و Codex حدود ۲۰.۸٪ داشته است. حدود ۲۳.۱٪ ترافیک نیز متعلق به ابزارهایی بوده که هنوز با نام مشخص در Dataset ثبت نشدهاند. خود Hugging Face هشدار میدهد این اعداد فقط ترافیک Agentها در Hub را اندازه میگیرند و نباید بهعنوان سهم کلی بازار Agentها تفسیر شوند.
این اتفاق پیام مهمی برای آینده معماری AI Agentها دارد: پلتفرمهای توسعه دیگر فقط باید برای انسان رابط کاربری مناسبی بسازند؛ API، Metadata و مستندات آنها نیز باید برای خواندن و استفاده مستقیم توسط Agentها آماده شود.
Open Weight محل ایجاد ارزش اقتصادی را تغییر میدهد
وقتی وزن یک مدل آزادانه منتشر میشود، شرکت نمیتواند تنها روی فروش License مدل حساب کند. Hugging Face نتیجه میگیرد که ارزش اقتصادی میتواند به لایههای دیگری منتقل شود: API و Cloud، فروش سختافزار، ابزارهای توسعه، پلتفرم استقرار یا جایگاه اکوسیستمی.
به همین دلیل انتشار مدل Open-Weight لزوماً یک حرکت غیرتجاری نیست. شرکتی که مدلش به استاندارد توسعهدهندگان تبدیل شود، میتواند از Cloud، زیرساخت، سرویسهای سازمانی و اکوسیستم اطراف آن درآمد ایجاد کند.
استراتژی Qwen نمونه روشنی از این رویکرد است: هرچه تعداد Fine-Tuneها، نسخههای Quantized و پروژههای مبتنی بر آن افزایش پیدا کند، تغییر مدل پایه برای توسعهدهندگان دشوارتر میشود و ارزش اکوسیستم اصلی بیشتر خواهد شد.
گزارش Hugging Face برای آینده AI چه معنایی دارد؟
دادههای تابستان ۲۰۲۶ نشان میدهد سه مسابقه بهطور همزمان در جریان است. نخست، رقابت Frontier که در آن شرکتها مدلهای بزرگتر و قدرتمندتر میسازند. دوم، رقابت Adoption که در آن مدلهای کوچک، پایدار و قابل استقرار اهمیت بیشتری دارند. سوم، رقابت اکوسیستم که تعیین میکند توسعهدهندگان و Agentها روی چه مدلها و ابزارهایی استاندارد میشوند.
در چنین بازاری، برنده لزوماً شرکتی نیست که فقط قویترین Benchmark را داشته باشد. ممکن است مدلی با توانایی کمتر، به دلیل هزینه مناسب، License بهتر، Quantization سادهتر و جامعه توسعهدهندگان بزرگتر، اثر اقتصادی و فنی بیشتری ایجاد کند.
این شاید مهمترین پیام گزارش باشد: آینده Open AI فقط با قدرت مدل تعیین نمیشود؛ Adoption و اکوسیستم به همان اندازه اهمیت دارند.
محدودیتهای این آمار چیست؟
Hugging Face صریحاً تأکید میکند دادههای این گزارش نباید بهعنوان تصویر کامل بازار AI در نظر گرفته شوند. Downloadهای Hub شامل استفاده از APIهای خصوصی، استقرارهای سازمانی یا مدلهایی که از کانالهای دیگر توزیع میشوند نیستند. Likes نیز فقط علاقه جامعه را نشان میدهند و معیار کیفیت محسوب نمیشوند.
همین محدودیت درباره Agentها نیز وجود دارد؛ Dataset فعلی فقط بخشی از ترافیکی را میبیند که از کتابخانه Python و CLI Hugging Face عبور میکند. بنابراین اعداد برای مشاهده روندها بسیار ارزشمندند، اما نباید از آنها نتیجه مستقیم درباره سهم بازار جهانی گرفت.
جمعبندی
گزارش تابستان ۲۰۲۶ Hugging Face نشان میدهد دنیای مدلهای باز وارد مرحله تازهای شده است. مدلهای چینی در Frontier به مقیاس بیسابقهای رسیدهاند، Qwen به یکی از مهمترین مدلهای پایه برای توسعهدهندگان تبدیل شده، مدلهای کوچک همچنان عمده استفاده عملی را تشکیل میدهند و Local AI فاصله میان مدلهای بزرگ و سختافزار مصرفی را کاهش میدهد.
در همین حال، Agentها به کاربران واقعی زیرساختهای AI تبدیل شدهاند و پلتفرمها باید خود را برای جهانی آماده کنند که بخشی از مصرفکنندگان API و داده دیگر انسان نیستند.
اگر این روند ادامه پیدا کند، رقابت بعدی صنعت AI نه فقط بر سر «بهترین مدل»، بلکه بر سر بهترین اکوسیستم برای مدلها، توسعهدهندگان و Agentها خواهد بود.
سوالات متداول
مهمترین نتیجه گزارش Hugging Face درباره مدلهای باز ۲۰۲۶ چیست؟
یکی از مهمترین نتایج، رشد سریع Qwen بهعنوان پایه مدلهای مشتقشده، افزایش نقش مدلهای چینی در Frontier و ادامه سهم بالای مدلهای کوچک در استفاده عملی است.
چرا Qwen در اکوسیستم مدلهای باز اهمیت پیدا کرده است؟
براساس دادههای Hugging Face، بیش از ۱۵۱ هزار مدل مشتقشده از خانواده Qwen روی Hub وجود دارد و توسعهدهندگان بهطور مداوم از آن برای Fine-Tuning و ساخت نسخههای تخصصی استفاده میکنند.
آیا مدلهای بزرگ بیشترین استفاده را دارند؟
خیر. دادههای Hugging Face نشان میدهد مدلهای کوچک بخش بسیار بزرگتری از دانلودها را تشکیل میدهند، زیرا اجرای آنها روی سختافزارهای معمولی سادهتر و ارزانتر است.
منظور از «Agentها کاربران جدید Hub هستند» چیست؟
Coding Agentها اکنون مستقیماً به Hugging Face Hub متصل میشوند و کارهایی مانند جستوجوی مدل، دریافت داده و اجرای Job را بدون تعامل مستقیم انسانی انجام میدهند.
