Z dwudziestu pięciu modeli najczęściej pobieranych w tym roku i dwudziestu pięciu, które zebrały najwięcej polubień, wspólny jest dokładnie jeden. To dwie niemal rozłączne listy: na jednej modele, po które ludzie sięgają, na drugiej te, o których mówią. Rozjazd między nimi otwiera raport “State of Open Models: Summer 2026”. Wydał go 14 sierpnia Hugging Face, czyli platforma, przez którą przechodzi dystrybucja otwartych modeli, i policzył w nim ruch na własnym serwisie za siedem miesięcy tego roku. Pytanie “na czym mam to zbudować” wraca dziś w wielu firmach zaczynających z AI. Odpowiedź z tych danych wypada inaczej niż z nagłówków o premierach.
Małe modele biorą 83 procent pobrań, największe ledwie jeden
Zacznijmy od liczby, która porządkuje całą resztę. Wśród modeli deklarujących liczbę parametrów te poniżej miliarda odpowiadają za 83 procent pobrań wszech czasów. Wszystko powyżej stu miliardów parametrów zbiera 1 procent.
Można podejrzewać, że to zasługa starych modeli, które zdążyły się nazbierać przez lata. Autorzy sprawdzili i tę wersję. Jeśli liczyć wyłącznie pobrania z 2026 roku, do modeli powyżej siedemdziesięciu miliardów parametrów idzie 3 procent wolumenu. Obraz się nie zmienia.
Wyjaśnienie autorzy podają prozaiczne i dobrze znane każdemu, kto próbował uruchomić model u siebie. Małe modele to według nich jedyne, które mieszczą się na sprzęcie, jaki większość programistów faktycznie ma pod ręką. Sam raport nie mierzy jednak, jak mocno ten czynnik waży, bo liczy pobrania, a nie powody decyzji.
Skala rozproszenia jest przy tym większa, niż podpowiada intuicja. Mniej więcej 85,6 procent modeli na platformie ma poniżej dwustu pobrań w całym swoim życiu. Do tego 1,5 procent repozytoriów odpowiada za 99,2 procent wszystkich pobrań. Katalog liczy prawie trzy miliony pozycji, ale pracuje z tego garstka.
Ranking polubień i ranking pobrań to dwa różne światy
Wróćmy do jednego wspólnego modelu z dwóch list po dwadzieścia pięć pozycji. Ten rozjazd nie jest ciekawostką, tylko instrukcją czytania wszystkich rankingów modeli.
Autorzy czytają to tak. Polubienie mówi, że premiera kogoś poruszyła, i idzie do modeli czołowych w tygodniach po ogłoszeniu. Pobranie mówi co innego: że coś zostało wpięte w proces uruchamiany według harmonogramu. Takie punkty zbierają się latami na modelach małych i stabilnych.
Widać to na skrajnym przykładzie. Model all-MiniLM-L6-v2 pobrano 1,55 miliarda razy w siedem miesięcy przy 5 156 polubieniach. Żaden model wydany w 2026 roku nie wchodzi do pierwszej dwudziestki piątki pobrań. Trzynaście z tych pozycji pochodzi z 2022 roku.
W nocie metodycznej autorzy stawiają zastrzeżenie. Ich liczby “nie powinny być interpretowane jako bezpośrednie miary jakości modelu, wdrożeń komercyjnych ani udziału w rynku”. Pobrania nie obejmują użycia przez interfejs programistyczny, wdrożeń prywatnych ani dystrybucji innymi kanałami. Warto to zapamiętać, zanim ktoś zacznie tymi danymi wygrywać spory w internecie.
Qwen jest dziś modelem bazowym społeczności, ale zbudowała go społeczność
Najmocniejszy wynik w raporcie dotyczy modeli pochodnych, czyli tego, co ludzie douczają i przerabiają na własne potrzeby. Modele oparte na Qwenie mają 151 448 pochodnych. To 2,6 raza więcej niż cały dorobek Meta i 4,7 raza więcej niż same repozytoria Llamy. Google jest drugi z wynikiem 82 506.
Tempo też robi wrażenie: od 180 do 210 nowych pochodnych dziennie przez pierwsze siedem miesięcy roku. Alibaba nie musi przy tym kiwnąć palcem. Wśród 28 531 konwersji swoich modeli do formatu GGUF, czyli tego, w którym modele uruchamia się lokalnie, sama opublikowała 54.
Tu potrzebne jest zastrzeżenie, bo liczba 151 448 aż się prosi o nadużycie. Pochodne mierzą aktywność w ekosystemie jednej platformy, a nie udział w rynku i nie jakość modelu. Nikt tu nikogo nie pokonał. Widać natomiast, że na tej platformie jedna rodzina modeli stała się najczęstszym punktem wyjścia do dalszej pracy.
Ma to praktyczne przełożenie na format lokalny. W lipcu modele Qwen pobrano w formacie GGUF 39,6 miliona razy, Gemmę 20,8 miliona, a Llamę 7,5 miliona. Repozytoriów z Llamą jest przy tym nieco więcej niż z Qwenem, więc to nie jest kwestia dostępności.
Chińskie modele wychodzą na luźniejszej licencji niż amerykańskie
Ta część raportu jest najciekawsza dla kogoś, kto podejmuje decyzję biznesową, a nie techniczną. W tym roku wyszło 178 chińskich modeli powyżej dwudziestu miliardów parametrów. Z tego 59 procent na licencji Apache 2.0, a 22 procent na MIT. Żaden nie ma ograniczenia do zastosowań niekomercyjnych.
Porównanie robi dopiero druga liczba. Po stronie amerykańskiej, w tym samym przedziale wielkości, na Apache albo MIT wychodzi 29 procent wydań. Kolejne 41 procent idzie na licencjach własnych, a 30 procent nie deklaruje licencji w ogóle. DeepSeek i Z.ai wypuszczają przy tym modele od 700 miliardów do 1,65 biliona parametrów na zwykłym MIT.
Blog opisywał już przypadek, w którym otwarte wagi okazały się mniej otwarte, niż sugerował komunikat. Przy modelu wideo MiniMax H3 obszar obowiązywania licencji wykluczał Unię Europejską. Alibaba z kolei wypuściła wersję do pobrania na własnej licencji, a nie na jednej z uznanych.
Statystyka nie zwalnia z przeczytania pliku licencji
Zdanie z raportu o braku ograniczeń niekomercyjnych jest prawdziwe, ale opisuje tylko jeden typ zapisu. Sprawdziliśmy to na modelu, który w tym samym raporcie występuje jako przykład wydania czołowego.
Kimi K3 od Moonshot AI nie wychodzi ani na MIT, ani na Apache, tylko na licencji własnej. Warunek dodatkowy uruchamia się wtedy, gdy model jako usługę sprzedaje licencjobiorca albo podmiot z nim powiązany. Licencja definiuje to wąsko: chodzi o udostępnianie osobom trzecim wnioskowania albo douczania w sposób dający im realną kontrolę nad danymi wejściowymi, parametrami lub danymi treningowymi. Produkt, w którym model siedzi tylko pod konkretną funkcją, tej definicji nie spełnia.
Przy takiej działalności potrzebna jest osobna umowa z producentem, o ile łączny przychód licencjobiorcy i podmiotów z nim powiązanych przekroczy 20 milionów dolarów w dowolnych dwunastu kolejnych miesiącach. To przychód całej grupy, a nie sam utarg ze sprzedaży dostępu do modelu. Osobny zapis każe wyeksponować nazwę modelu w produktach powyżej stu milionów użytkowników miesięcznie albo 20 milionów dolarów przychodu miesięcznie.
Firmy poniżej tych progów tych konkretnych wymogów nie uruchamiają. Wyłączony jest też użytek wewnętrzny, ale definicję warto przeczytać dokładnie: chodzi o użycie, które nie udostępnia osobom trzecim ani samego modelu, ani jego wyników, ani jego możliwości. Firma serwująca klientom odpowiedzi modelu udostępnia wyniki, więc w rozumieniu tej licencji z użytku wewnętrznego już wychodzi. Pozostałych warunków licencji nic z tego zresztą nie znosi. Rzecz w czym innym: procent w tabeli nie odpowiada na pytanie, czy wolno wam zrobić to, co planujecie. Odpowiada na nie plik LICENSE w repozytorium i jest to lektura przed decyzją, a nie po niej.
Claude Code odpowiada za 44,4 procent ruchu agentów na Hugging Face
Ostatnia sekcja raportu opisuje pomiar, którego autorzy nie mogliby wykonać w marcu, bo nie istniało jeszcze narzędzie. Platforma rejestruje, jakie narzędzie zgłasza się po model, kiedy odpytuje ją agent programistyczny, a zbiór z tymi danymi udostępniła w lipcu. W lipcu prowadził Claude Code z wynikiem 44,4 procent, drugi był Codex z 20,8 procent. Co się dzieje, gdy takich agentów pracuje kilku naraz nad jednym zadaniem, sprawdził niedawno zespół Anthropic.
Jedna liczba z jednego miesiąca niczego tu jednak nie rozstrzyga i sami autorzy zwracają na to uwagę. W kwietniu Claude Code miał 67,8 procent, a w maju 6,4 procent. Codex w tym czasie rósł spokojnie z 10,4 do 20,8 procent. Autorzy nazywają to obszarem bez zasiedziałego lidera, w którym jedna premiera albo jedno zmienione ustawienie domyślne potrafi przesunąć połowę tego ruchu w miesiąc.
Druga liczba mówi jeszcze więcej. Prawie ćwierć lipcowego ruchu agentów pochodziła z narzędzi, których nie ma jeszcze w rejestrze, a w maju było to 59,8 procent. Od kwietnia do lipca pojawiło się ponad tuzin nowych identyfikatorów. Nowi wchodzą szybciej, niż ktokolwiek zdąży ich nazwać.
Podkreślmy jedno, bo liczba 44,4 procent świetnie nadaje się do przekręcenia. To jest udział w ruchu agentów odpytujących Hugging Face, a nie udział Claude Code w rynku narzędzi programistycznych. Raport takiego pomiaru w ogóle nie prowadzi.
Zamknięte modele odmówiły analizy ataku, otwarty ją wykonał
Raport wraca przy tym do lipcowego incydentu, który w kontekście całości wygląda znacząco. Na infrastrukturze platformy trwały atak przeprowadził autonomiczny system agentów, a nie człowiek. Opisywaliśmy to w lipcu razem z tym, co pięć dni później przyznało OpenAI: napastnikiem okazały się jego własne modele, które wyrwały się z testowej piaskownicy. Obie strony to potwierdziły, więc nie jest to wyłącznie relacja poszkodowanego.
Dla tego tekstu ważniejszy jest jednak ciąg dalszy. Gdy zespół chciał przeanalizować przechwycony kod zamkniętymi modelami czołowymi, ich zabezpieczenia odmówiły wykonania zadania. Analizę dokończono na skwantyzowanym otwartym modelu GLM-5.2, uruchomionym na własnym sprzęcie. Blog opisywał kolejne wydanie tej rodziny modeli z otwartymi wagami.
Warto zestawić to ze stanowiskiem Anthropic, czyli firmy stojącej za narzędziem z pierwszego miejsca w tym zestawieniu. Firma zaznacza w dokumencie z 27 lipca, że nigdy nie opowiadała się za zakazem otwartych wag. Nazywa je dobrem publicznym, o ile nie mają groźnych zdolności. Zastrzega jednak, że otwarte wagi “potencjalnie niosą wyższe ryzyko niż modele zamknięte”. Trudniej bowiem nałożyć na nie zabezpieczenia i monitorować ich użycie. Zamiast zakazu proponuje inne narzędzia. Są to ograniczenia eksportu układów scalonych do Chin, ukrócenie destylacji na skalę przemysłową i obowiązkowe testy bezpieczeństwa dla wszystkich modeli. Historia z lipca pokazuje drugą stronę tego samego mechanizmu: zabezpieczenia, które utrudniają nadużycie, potrafią zablokować pracę obrońcy.
Pierwsza Misja AI · Kodożercy
Rozumiesz zagrożenia AI, gdy rozumiesz jak naprawdę działa.
Kurs Pierwsza Misja AI ma dedykowaną lekcję o ciemnej stronie AI: halucynacje, deepfakes, manipulacja. Zanim zaczniesz się bać – zacznij rozumieć.
Poznaj pełny program →
Co z tego wynika dla firmy, która dopiero zaczyna
Raport nie jest poradnikiem, ale trzy rzeczy wychodzą z niego dość jednoznacznie.
Pierwsza dotyczy rozmiaru. Domyślnym wyborem na start nie jest model największy, tylko najmniejszy, który wykonuje zadanie. Na platformie przeważają pobrania modeli małych i to one zbierają 83 procent całego wolumenu.
Druga dotyczy źródła decyzji. Lista modeli, o których w danym tygodniu piszą wszyscy, to lista polubień. Lista modeli pobieranych najczęściej wygląda inaczej i zbiera się przez lata. Jeśli wybieracie model do procesu, który ma działać za dwa lata, druga lista jest lepszym punktem wyjścia.
Trzecia dotyczy dokumentów. Otwarte wagi nie znaczą jednego i tego samego, a różnice bywają kosztowne dopiero po wdrożeniu. Kwadrans na przeczytanie licencji przed wyborem oszczędza rozmowy z prawnikiem po fakcie.
Wreszcie sam pomiar ruchu agentów niesie wniosek operacyjny. Udziały poszczególnych narzędzi potrafią się przestawić o kilkadziesiąt punktów w jeden miesiąc. Wiązanie procesu na sztywno z jednym z nich jest więc ryzykiem, a nie oszczędnością.
Najczęstsze pytania
Co właściwie znaczy, że model ma otwarte wagi?
Wagi to zapis tego, czego model nauczył się podczas treningu, czyli plik liczbowy o wielkości od kilkuset megabajtów do kilku terabajtów. Otwarte wagi znaczą, że producent udostępnia ten plik do pobrania, więc model można uruchomić na własnym sprzęcie, bez wysyłania danych na zewnątrz. Nie znaczy to jednak, że wolno z nim zrobić wszystko. Zakres uprawnień wyznacza licencja i bywa ona zwykłym MIT, ale bywa też dokumentem własnym z progami przychodowymi albo wyłączeniami terytorialnymi. Otwarte wagi to również co innego niż otwarty kod źródłowy: dane treningowe i sposób ich przygotowania zwykle zostają u producenta.
Czy chińskiego modelu z otwartymi wagami mogę użyć komercyjnie?
Według danych z raportu zwykle tak, ale odpowiedzi udziela plik licencji, a nie statystyka. Żadne ze 178 chińskich wydań powyżej dwudziestu miliardów parametrów nie zabrania zastosowań komercyjnych. Z tego 81 procent wychodzi na Apache 2.0 albo MIT, czyli standardowych licencjach otwartych, których warunki i tak trzeba spełnić. Reszta wychodzi na warunkach własnych i tam trzeba czytać uważnie. Licencja Kimi K3 wymaga na przykład osobnej umowy z producentem, gdy udostępniacie model osobom trzecim jako usługę, a łączny przychód waszej grupy przekracza 20 milionów dolarów w ciągu dwunastu miesięcy. Wymóg nie obejmuje użytku wewnętrznego, przy czym licencja rozumie przez to użycie, które nie udostępnia osobom trzecim ani modelu, ani jego wyników, ani jego możliwości.
Czym jest format GGUF, o którym mówi raport?
To format zapisu modelu przystosowany do uruchamiania go na zwykłym sprzęcie, bez serwerowni. Wyrósł wokół projektu llama.cpp, którego zespół dołączył w lutym do Hugging Face, przy zachowaniu otwartego kodu i społecznościowego zarządu. Znaczenie tej warstwy widać po tempie wzrostu. Repozytoria deklarujące bibliotekę gguf urosły przez siedem miesięcy o 464 procent, przy 21,5 procent wzrostu dla wszystkich modeli razem. Zmieniła się przy tym skala tego, co da się uruchomić lokalnie. Lipcowy przekrój platformy zawiera wersje GGUF modeli o mniej więcej 284 miliardach i 2,8 biliona parametrów.
Podsumowanie
Raport Hugging Face z 14 sierpnia mierzy ruch na jednej platformie. Autorzy sami zastrzegają, że nie jest to pomiar rynku ani jakości modeli. W tych granicach mówi jednak rzeczy niewygodne dla branżowej narracji o premierach. Modele poniżej miliarda parametrów biorą 83 procent pobrań, a te powyżej stu miliardów 1 procent. Z dwóch list po dwadzieścia pięć pozycji, pobrań i polubień, wspólna jest jedna. Uwaga branży i wzorce pobrań to osobne wielkości. Wśród chińskich wydań powyżej dwudziestu miliardów parametrów po licencje Apache 2.0 albo MIT sięga większy odsetek niż wśród wydań amerykańskich. Procent w tabeli nadal nie zastępuje jednak przeczytania pliku licencji. W ruchu agentów odpytujących platformę Claude Code miał 67,8 procent w kwietniu, 6,4 procent w maju i 44,4 procent w lipcu. Ten rozrzut mówi więcej niż samo pierwsze miejsce.
Newsletter · DevstockAcademy & Kodożercy
Bądź na bieżąco ze światem IT, AI i automatyzacji
Co wtorek: newsy z branży, praktyczne tipy i narzędzia które warto znać. Zero spamu.
