Hugging Face 2026 年春季開源 AI 生態現況分析
State of Open Source on Hugging Face: Spring 2026
Hugging Face 的 2026 年春季報告梳理過去一年開源 AI 生態的變化,指出平台用户、模型和數據集數量均接近翻倍。2025 年,Hugging Face 增至 13 million 名用户、逾 2 million 個公開模型及逾 500,000 個公開數據集;中國模型在過去一年佔平台下載量 41%,並在月度及總下載量上超越美國。
報告把平台增長、地域下載差異和衍生模型放在同一框架,呈現開源 AI 並非單一市場,而是由多個重疊的子生態構成。
本文探討過去一年,開源 AI 格局在競爭、地域、技術趨勢及新興社羣方面如何轉變。我們主要透過 Hugging Face 上多種指標的社羣活動,全面瞭解整個生態系。
本文延續 2025 年年中進行的早期分析,可於此閲讀;該分析探討 Hugging Face 社羣正在打造甚麼。我們建議閲讀 Hugging Face 內外對開源生態系的其他觀點,包括資料來源倡議、Interconnects、OpenRouter 和 a16z,以及MIT 和 Linux Foundation。由於 Hugging Face 生態系由不同部分組成,這些分析由 Hugging Face 與社羣成員共同完成,並已適當列明各自貢獻。
開源 AI 生態系的活動迅速增長,使用者、模型和資料集儲存庫的數量都接近翻倍。2025 年,Hugging Face 的使用者增至 1,300 萬,公開模型超過 200 萬個,公開資料集亦超過 500,000 個。這種增長不只反映人們對開源興趣增加,也顯示參與方式正在轉變:使用者愈來愈多創作微調模型、適配器、基準測試和應用程式等衍生作品,而不再只是使用預訓練系統。
資料來自 Hugging Face | Hugging Face 的模型數量已達兩百萬,仍在持續增加: 圖表及報道由 AI World 製作
生態系仍高度集中。Hugging Face 上約有一半模型的總下載量少於 200 次,而下載量最高的 200 個模型(佔模型總數 0.01%)合共佔所有下載量的 49.6%。
不同專業社羣圍繞特定領域、語言或問題形成;即使整體下載量不高,往往仍持續活躍並重複使用相關成果。理解開源 AI 的最佳方式,是把它視為多個彼此重疊的子生態系,而非單一、同質的市場。
開源競爭格局
愈來愈多大大小小的公司以開源為基礎開發產品。Fortune 500 中現時超過 30% 在 Hugging Face 維持經認證帳戶。初創公司經常把開源模型作為預設元件:Thinking Machines 的 Tinker 模型選項完全以開放權重構建,而 VSCode 和 Cursor 等熱門 IDE 則同時支援開源及封閉模型。Airbnb 等美國老牌公司也增加了對開源生態系的投入;2025 年期間,Hugging Face 亦見到更多老牌公司升級其機構訂閲方案。
大型科技公司頻繁在 Hugging Face Hub 建立新儲存庫;把各公司並列檢視,儲存庫增長明顯加快,反映投資隨時間增加。NVIDIA 已成為貢獻最突出的公司。
資料來自 Hugging Face | 大型科技公司全力投入開源 AI, 圖表及報道由 AI World 製作
更廣泛的開放軟件研究指出,開放成果帶來的下游價值遠高於其生產成本。AI 領域也出現類似情況:開放模型在數以千計的下游應用中被重用、改編及專門化。只依賴封閉系統的機構往往成本較高,在部署和客製化方面亦較欠缺彈性。
開源的地理格局
過去四年的累計下載量,顯示模型受歡迎程度有明確的領先地區。美國和中國歷來是主要貢獻者,英國、德國和法國則緊隨其後。個人使用者或沒有明確地理據點的分散式組織所開發的模型,約佔平台總下載量的一半。
資料來自 Hugging Face | 圖表及研究由 Longpre 等人提供:「開放智能的經濟:追蹤模型生態系中的權力與參與」
開源生態系的地理組成已出現根本變化。Hugging Face 數據顯示,中國的每月下載量和總下載量均超越美國。過去一年,中國模型迅速成為下載量最多的一類,佔 41%。
資料及圖表來自 Hugging Face
業界佔整體開發的比重,從 2022 年前約 70% 跌至 2025 年約 37%。同期,獨立或非附屬開發者佔所有下載量的比重則由 17% 升至 39%,有時更佔總使用量一半以上。個人及小型團體專注於量化、改編和重新發布基礎模型。這些中介者現時左右一般使用者可運行的模型,以及創新如何在生態系中傳播,影響相當大。
資料來自 Hugging Face | 圖表及研究由 Longpre 等人提供:「開放智能的經濟:追蹤模型生態系中的權力與參與」
不同地區以不同方式作出貢獻。美國和西歐歷來由大型業界實驗室(Google、Meta、OpenAI、Stability AI)主導;中國則愈來愈領先模型發布和採用。法國、德國和英國繼續透過研究機構、國家 AI 計劃及專門模型系列作出貢獻。支持多元貢獻者和組織形式的生態系,通常能產生更廣泛獲採用的成果。
國家、機構與個人使用者
初創公司推出的熱門模型更為普遍。具競爭力的國家包括法國和南韓。值得注意的是,開發新興熱門模型的第四大類別並非機構,而是個人使用者。如今,個人打造具競爭力模型比以往任何時候都容易。
美國與中國之間
2025 年新建立的模型中,大部分熱門模型不是在中國開發,就是衍生自中國開發的模型。最受歡迎的模型由大型機構開發,主要來自美國和中國。如欲瞭解更多中國 AI 生態系,可閲讀我們的三篇系列文章,回顧「DeepSeek 時刻」一年以來的變化,分別探討策略轉變、架構變化,以及機構與未來。
2025 年,DeepSeek 的 R1 模型於 1 月爆紅後,中國 AI 生態系大力轉向開源。發布模型的具競爭力中國機構數量,以及 Hugging Face 上的儲存庫數量都急劇上升。百度在 Hub 上的發布量由 2024 年的零增至 2025 年的逾 100 個。字節跳動和騰訊的發布量各自增加了 8 至 9 倍。此前偏向封閉模式的機構,包括百度和 MiniMax,也果斷轉向開放發布。
資料及圖表來自 Hugging Face
美國受歡迎機構的數量相近,而且一直發布更多儲存庫。Meta 及其前身 Facebook 研究機構佔開放發布成果的相當大比例,Google 的比重則較小。
資料及圖表來自 Hugging Face
並列比較可見,受歡迎的中國機構之間儲存庫急速增長,呈現出一項關鍵策略差異。
資料及圖表來自 Hugging Face
全球開源與自主權
開源 AI 日益牽涉自主權議題。開放權重模型讓政府和公共機構能在國家法律框架下,使用本地數據微調系統。可在本地硬件部署的模型,能減少對受外國控制的雲端基建的依賴。模型架構、訓練流程和評估方式具透明度,有助監管審查和公眾問責。閲讀更多關於以開源實踐自主權的內容。
在國家層面,各國政府正採取行動。南韓的國家自主 AI 計劃於 2025 年年中啟動,並指定LG AI Research、SK Telecom、Naver Cloud、NC AI 和 Upstage 為國家代表,負責打造具競爭力的本土模型。2026 年 2 月,三款南韓模型同時登上 Hugging Face Hub 熱門榜。2026 年 3 月,2026 年,南韓與美國初創公司 Reflection AI 宣佈合作興建數據中心,並將前沿開放權重模型引入南韓。
瑞士 AI 倡議及多個由歐盟資助的項目,反映類似的優先事項。英國「公帑、公碼」原則亦影響了多項政府支持的 AI 計劃。
Hugging Face 2026 年 2 月熱門頁面
這些對開源及開放權重 AI 的投資,已為本身擁有蓬勃 AI 訓練生態系的國家帶來回報。我們看到,模型和資料集通常在其開發地區最常被使用;開發者往往會選用最能代表其語言,並符合相近技術及應用需求的模型。
資料及圖表來自 Hugging Face
模型受歡迎程度
Hub 上獲最多讚好的模型,反映社羣對模型的關注,例如回訪或引用模型的意願,以及整體受歡迎程度。這項指標未必總能反映實際使用情況,但隨時間累積的關注度可顯示興趣趨勢。一年之間,最受歡迎的模型由主要是美國開發的 Meta Llama 系列,轉變為國際陣容,並由中國的 DeepSeek-R1 排名第一。
資料及圖表來自 Hugging Face
論文與科研貢獻
科研貢獻的價值可用許多指標衡量,而 Hub 的讚好功能顯示,大型 AI 機構的論文廣受社羣成員認同。值得注意的是,獲最多讚好的論文來自大型機構,主要位於美國和中國。排名靠前的機構大多是中國大型科技公司,字節跳動發布了大量影響力甚高的論文。
Hugging Face Space | PaperVerse 探索器
在 Hugging Face 的每日論文中,論文由 Hugging Face 的 AK 精選;那些引用模型和資料集建立過程、最能顯示開源採用情況的論文,整體來源相當多元。重要觀察包括醫學論文影響力甚大,而大型科技公司的影響則較少。
資料來自 Hugging Face | 圖表及報道由 AI World 製作
衍生模型
社羣成員選擇如何在模型之上構建成果,無論是微調、合併或其他方法,都反映模型的受歡迎程度和實用性。阿里巴巴作為機構推出的衍生模型,比 Google 和 Meta 的總和還多;其中 Qwen 系列便有超過 113,000 個衍生模型。若把所有標記為 Qwen 的模型都計算在內,數量更增至超過 200,000 個。
資料及圖表來自 Hugging Face
採用與可及性
模型開發愈來愈重視可及性,而不只是規模。與超大型系統相比,小型模型的下載和部署頻率高得多,反映成本、延遲和硬件供應方面的實際限制。
小型模型佔優,部分原因是這個規模推出的模型多得多。但即使按模型數量作標準化,ATOM Project 的相對採用指標數據仍顯示,1-9B 參數模型中排名前 10 的中位模型,下載量僅約為 100B 以上模型的 4 倍。自動化系統和 CI 流程進一步推高小型模型的下載數字,但轉向較小、可部署模型的趨勢確實存在。
資料來自 Hugging Face | 圖表及文章由 ATOM 提供
開放模型發布後,互動度通常幾乎即時升至高峯,之後逐漸減退。平均互動期約為 6 星期。持續改進和頻繁更新,已成為維持關注度的關鍵。DeepSeek 接連發布 V3、R1、V3.2,即使有競爭者出現仍保持競爭力。停止開發的機構,往往很快被持續更新或經領域專門微調的模型搶去份額。
資料來自 Hugging Face | 圖表及研究由 Choksi 等人提供:「開放模型短暫而精彩的一生」
開放模型的平均下載規模,由 2023 年的 827M 參數增至 2025 年的 20.8B,主要由量化和混合專家架構帶動。然而,中位數只從 326M 輕微升至 406M 參數。這種差異顯示,高端 LLM 使用者拉高了平均值,而小型模型的基本使用情況則保持穩定。
資料來自 Hugging Face | 圖表及研究由 Longpre 等人提供:「開放智能的經濟:追蹤模型生態系中的權力與參與」
前沿模型與較小系統之間的效能差距,往往可透過微調和針對任務的改編迅速收窄。在 Hub 上,數億參數的模型已可支援搜尋、標記和文件處理流程;數十億參數級別的模型則廣泛用於編程、推理及多模態任務。因此,大部分主要模型開發者現時都會發布涵蓋不同規模的模型系列。能力出眾的小型模型興起,令自主運算更靠近終端,減少對集中式雲端供應商的依賴。
運算、硬件與開源
開源 AI 開發與硬件趨勢息息相關。大多數模型都針對 NVIDIA GPU 作優化,但對 AMD 硬件的支援亦持續擴大。Stability AI 模型合集現時同時支援 NVIDIA 和 AMD 平台。愈來愈多函式庫兼顧兩者,工具亦有改進,令跨硬件部署更直接。Hugging Face 於 2025 年推出 Kernel Hub,用來載入及運行針對 NVIDIA 和 AMD GPU 優化的核心程式。
與此同時,中國開源模型發布時亦明確支援國產晶片。阿里巴巴投資於以推論為重點的晶片架構,目標是為中國數據中心配備能在本地運行開源模型的硬件。
雖然各方面的 AI 模型開發與部署都離不開運算資源,但開源及開放權重模型正協助打破「運算資源決定一切」的生態系格局;愈來愈多模型在各種效能水平上,都能以低 10x 至 1000x 的成本,達到大型開發者旗艦 AI 模型的效率。
資料及圖表來自 Hugging Face
不過,開源所需的基建投資問題仍然迫切。能訓練和提供開放模型服務的數據中心,其公共資金來源已成為日益受關注的政策議題,尤其在歐洲和英國。大型封閉模型公司可用的運算資源,與開源社羣可取得的資源之間存在差距,繼續左右開放式開發的可行範圍。
子社羣:機械人技術
機械人技術已成為 Hugging Face 上增長最快的子社羣之一。數字相當驚人:機械人資料集由 2024 年的 1,145 個增至 2025 年的 26,991 個,短短三年便由第 44 位升至 Hub 上最大的資料集類別。相比之下,排名第二的文字生成類別,2025 年只有約 5,000 個資料集。
資料來自 Hugging Face | 圖表及報道由 AI World 製作
社羣貢獻的資料集涵蓋家居物件操作任務以至自動駕駛等各種內容。空間智能領域最大的多模態資料集 Learning to Drive(L2D),由 LeRobot 與 Yaak 合作發布。像RoboMIND這類資料集,包含超過 107,000 條真實世界軌跡,涵蓋 479 項不同任務及多種機械人形態,提供訓練可泛化機械人策略所需的規模和多樣性。
Hugging Face 收購 Pollen Robotics,令開源機械人產品開始面向業界、學術實驗室和一般愛好者銷售。LeRobot 是 Hugging Face 的開源機械人函式庫,提供適用於 PyTorch 的真實世界機械人模型、資料集和工具,涵蓋模仿學習、強化學習及視覺-語言-動作模型;該函式庫迅速增長。過去一年,其 GitHub 儲存庫星數接近增加三倍。
資料來自 GitHub | 圖表由 star-history.com 提供
子社羣:科學 AI
科研已成為另一個特別活躍的領域。開放模型和資料集愈來愈多用於蛋白質摺疊、分子動力學、藥物研發及科學數據分析。現時所有前沿 AI 公司都設有專門的科學團隊,不過目前許多工作仍集中於文獻探索,而非直接實驗。
社羣主導的項目圍繞共同研究目標形成,往往有數以百計的貢獻者跨機構和學科參與。這些工作突顯開源作為協調大規模跨學科合作機制的作用;若單靠傳統學術或企業架構,這類合作便難以組織。
展望未來
開源 AI 生態系持續演進,背後推動力包括全球參與、技術專門化和機構採用。以下幾項趨勢可能會界定下一階段的發展。
權力的地理再平衡正加速進行。西方機構愈來愈希望尋找可商業部署的中國模型替代方案,令OpenAI 的 GPT-OSS、AI2 的 OLMo和 Google 的 Gemma等項目更受重視,目標是由美國和歐洲開發者提供具競爭力的開放選項。這些項目能否追上 Qwen 和 DeepSeek 的採用勢頭,將是 2026 年的一大關鍵問題。
機械人和科學子社羣的增長,顯示開源 AI 正從語言及圖像生成拓展至實體和實驗領域。圍繞文字及圖像模型建立的基建、規範和協調機制,正應用於新的模態和用途。
對研究人員、開發者、公司和政府而言,開源仍是建構、評估及治理 AI 系統的基礎層。隨着代理部署增加,開源及其互通性將是代理蓬勃發展的關鍵。過去一年的發展軌跡清楚表明:開源生態系承載了許多 AI 開發、改編和部署的實際工作,其對更廣泛 AI 格局的影響亦持續擴大。
感謝 Hugging Face 社羣繼續為 AI 生態系奠定基礎 🤗
如要引用這篇網誌文章,可使用以下 BibTeX:
@misc{hf_state_of_os_spring26,
author = {Avijit Ghosh and Lucie-Aimée Kaffee and Yacine Jernite and Irene Solaiman},
title = {State of Open Source on Hugging Face: Spring 2026},
booktitle = {Hugging Face Blog},
year = {2026},
url = {https://huggingface.co/blog/huggingface/state-of-os-hf-spring-2026},
}
來源:Hugging Face Blog · huggingface.co

















