Hugging Face 发布 2026 春季开源 AI 生态报告

本文探讨了过去一年中开源 AI 格局在竞争、地域、技术趋势和新兴社区方面的变化。我们主要通过多种指标考察 Hugging Face 上的社区活动，以呈现生态系统的全貌。

本文建立在 2025 年中期进行的一项早期分析基础之上，可在此处查看，该分析考察了 Hugging Face 社区正在构建的内容。我们推荐阅读来自 Data Provenance Initiative、Interconnects、OpenRouter 与 a16z 以及 MIT 与 Linux 基金会关于 Hugging Face 内外开源生态系统的更多观点。由于 Hugging Face 生态系统是分布式的，分析是 Hugging Face 与社区成员工作的结合，各自均已适当署名。

开源 AI 生态系统的活动迅速增长，用户数、模型和数据集仓库数量均接近翻倍。2025 年，Hugging Face 增长至 1300 万用户、超过 200 万个公开模型和超过 50 万个公开数据集。这一增长不仅表明对开源的兴趣增加，更反映出向主动参与的转变——用户越来越多地创建衍生制品，如微调模型、适配器、基准测试和应用，而不仅仅是消费预训练系统。

数据来自 Hugging Face | Hugging Face 的两百万个模型且仍在增长： 图表与报道由 AI World 制作

生态系统仍然高度集中。Hugging Face 上大约一半的模型总下载量不足 200 次，而下载量最高的 200 个模型——仅占模型的 0.01%——却占据了全部下载量的 49.6%。

专业社区围绕特定领域、语言或问题领域形成，即使其整体下载量不高，也往往表现出持续的参与和复用。开源 AI 最好被理解为多个相互重叠的子生态系统的集合，而非一个单一统一的市场。

竞争中的开源

越来越多的公司，无论规模大小，都在开源之上进行构建。超过 30% 的《财富》500 强企业现在在 Hugging Face 上维护经过验证的账户。初创公司经常将开放模型作为默认组件：Thinking Machines 完全基于开放权重构建了其 Tinker 模型选项，而 VSCode 和 Cursor 等流行的 IDE 同时支持开放和闭源模型。Airbnb 等成熟的美国公司增加了对开放生态系统的参与，并且 Hugging Face 在 2025 年期间看到更多传统企业升级其组织订阅。

大型科技公司频繁在 Hugging Face Hub 上创建新仓库；并排可视化后，仓库增长的强劲势头显示出随时间推移的投入。NVIDIA 已成为最强劲的贡献者。

数据来自 Hugging Face | 大型科技公司全力投入开源 AI， 图表与报道由 AI World 制作

更广泛的开放软件研究表明，开放产物所创造的下游价值远远超过其生产成本。类似的动态正在人工智能领域显现，开放模型在成千上万的下游应用中被复用、改编和专门化。完全依赖封闭系统的组织往往成本更高，在部署和定制方面灵活性也较低。

开源的地理格局

过去四年的历史下载量显示出模型流行度方面的明显领先地区。美国和中国的历史贡献一直位居前列，英国、德国和法国在流行度上属于第二梯队。由个人用户或没有明确地理基础的分散组织开发的模型，约占平台总下载量的一半。

数据来自 Hugging Face | 图表与研究来自 Longpre 等人，“Economies of Open Intelligence: Tracing Power & Participation in the Model Ecosystem”

开源生态系统的地理构成已经发生了根本性变化。Hugging Face 数据显示，中国在月度下载量和总下载量上均超过了美国。在过去一年中，中国模型的下载量迅速占据相对多数，达到 41%。

数据与图表来自 Hugging Face

行业在整体开发中的份额从 2022 年前的约 70% 下降到 2025 年的约 37%。与此同时，独立或无隶属开发者在同期从全部下载量的 17% 上升至 39%，有时甚至占到总使用量的一半以上。个人和小型集体专注于量化、改编和再分发基础模型。这些中间方如今在很大程度上左右着普通用户能够运行什么，以及创新如何在生态系统中传播。

数据来自 Hugging Face | 图表与研究来自 Longpre 等人，“Economies of Open Intelligence: Tracing Power & Participation in the Model Ecosystem”

不同地区的贡献方式各不相同。美国和西欧历来通过大型行业实验室（Google、Meta、OpenAI、Stability AI）占据主导地位，而中国在模型发布和采用方面日益领先。法国、德国和英国继续通过研究组织、国家人工智能计划和专门模型系列作出贡献。支持多种贡献者和组织形式的生态系统，往往能产生被更广泛采用的产物。

国家、组织和个人用户

来自初创公司的热门模型分布更广。具有竞争力的国家是法国和韩国。值得注意的是，开发新的热门模型的第四大热门主体是个人用户，而非组织。在用户层面创建具有竞争力的模型比以往任何时候都更容易实现。

数据与图表来自 Hugging Face

在美国与中国之间

在2025年新创建的模型中，大多数热门模型要么是在中国开发的，要么是中国开发模型的衍生版本。最受欢迎的模型由大型组织开发，主要来自美国和中国。想了解更多关于中国AI生态的内容，请阅读我们的三部分系列文章，回顾"DeepSeek时刻"一年以来的变化，其中一篇关于战略变化，两篇关于架构变化，三篇关于组织与未来。

2025年，在DeepSeek的R1模型于1月火爆发布之后，中国AI生态系统大举转向开源。发布模型的中国竞争性组织数量以及Hugging Face上的仓库数量急剧攀升。百度从2024年在Hub上零发布跃升至2025年的100多个。字节跳动和腾讯各自的发布量增加了八到九倍。此前偏好闭源路线的组织，包括百度和MiniMax，果断转向开源发布。

数据和图表来自Hugging Face

数量相近的美国热门组织长期以来持续贡献了更多的仓库。Meta及其前Facebook研究组织在开源发布中占据了相当大的比例，Google也有一定贡献，但程度较低。

数据和图表来自Hugging Face

将两者并列来看，中国热门组织仓库增长的陡峭上升轨迹成为一个关键的战略差异。

数据和图表来自Hugging Face

全球开源与主权

开源AI正日益与主权问题紧密相连。开放权重模型允许政府和公共机构在国家法律框架下基于本地数据对系统进行微调。可在国内硬件上部署的模型减少了对受外国控制的云基础设施的依赖。模型架构、训练过程和评估的透明度有助于监管审查和公共问责。点击此处了解更多关于开源主权方法的内容。

在国家层面，各国政府正在采取行动。韩国的国家主权AI计划于2025年年中启动，指定了国家冠军企业LG AI Research、SK Telecom、Naver Cloud、NC AI和Upstage来打造具有竞争力的国产模型。2026年2月，来自韩国的三个模型同时登上Hugging Face Hub热门榜。2026年3月，韩国与美国初创公司Reflection AI宣布建立数据中心合作伙伴关系，同时将前沿开放权重模型引入韩国。

瑞士的Swiss AI计划和多个欧盟资助项目反映了类似的优先事项。英国的"公共资金，公共代码"原则影响了多个政府支持的AI计划。

Hugging Face热门页面 2026年2月

这些对开源和开放权重AI的投资已经开始为那些拥有繁荣AI训练生态系统的国家带来回报，因为我们可以看到模型和数据集通常在其开发地区使用最多；开发者往往会选择最能代表其语言、反映相似技术和应用需求的模型。

数据和图表来自Hugging Face

模型热度

Hub 上获赞最多的模型反映了社区的关注度，体现了人们回访、引用该模型的能力或总体受欢迎程度。虽然这一指标并不总能反映实际使用情况，但长期积累的关注度可以显示出兴趣信号。一年之内，最受点赞的模型从以美国 Meta 的 Llama 系列为主，转变为国际化格局，中国的 DeepSeek-R1 位居榜首。

数据与图表来自 Hugging Face

论文与科学贡献

尽管衡量科学贡献价值的指标有很多，我们在 Hub 上的点赞功能显示，来自大型 AI 机构的论文受到社区成员的广泛认可。值得注意的是，获赞最多的论文来自大型机构，主要来自美国和中国。排名靠前的机构大多数是中国大型科技公司，其中字节跳动分享了大量高影响力论文。

Space by Hugging Face | PaperVerse Explorer

在 Hugging Face 的 Daily Papers 中，由 Hugging Face 的 AK 策划的一组论文里，引用模型和数据集创建的论文——显示出最广泛的开源采用——总体呈多样性。重要发现包括医学论文具有影响力，而大型科技公司的影响力则较为稀疏。

数据来自 Hugging Face | 图表与报道来自 AI World

衍生模型

我们的社区成员选择如何在模型基础上进行构建——无论是通过微调、合并还是其他方式——都反映了模型的热度和可用性。作为组织，阿里巴巴拥有的衍生模型数量超过 Google 和 Meta 的总和，其中 Qwen 系列构成了超过 113,000 个衍生模型。如果算上所有标注 Qwen 的模型，这一数字膨胀到超过 200,000 个模型。

数据与图表来自 Hugging Face

采用与可及性

模型开发日益强调可及性与规模并重。较小模型的下载和部署率远高于超大型系统，反映了成本、延迟和硬件可用性方面的实际约束。

这种小模型主导地位的部分原因是该规模的模型发布数量远多于其他规模。但即使对此进行归一化处理，ATOM 项目的相对采用指标数据显示，1-9B 参数的前十模型中位数下载量仅比 100B 以上的模型高出约 4 倍。自动化系统和 CI 流水线进一步推高了小模型的下载量，但向更小、更易部署模型发展的趋势是真实的。

数据来自 Hugging Face | 图表与文章来自 ATOM

开源模型的参与度往往在发布后几乎立即达到峰值，随后放缓。平均参与时长约为 6 周。持续改进和频繁更新已成为保持相关性的关键。DeepSeek 的连续发布（V3、R1、V3.2）使其在竞争者涌现时仍保持竞争力。在开发上停滞不前的组织往往很快将份额输给频繁更新或拥有领域特定微调版本的组织。

数据来自 Hugging Face | 图表与研究来自 Choksi 等，"The Brief and Wondrous Life of Open Models"

下载的开源模型平均规模从2023年的8.27亿参数增长到2025年的208亿参数，这主要受到量化和混合专家架构的推动。然而，中位数仅略有增长，从3.26亿参数增至4.06亿参数。这种分化表明，高端LLM用户拉高了平均值，而底层的小模型使用量则保持稳定。

数据来自 Hugging Face | 图表与研究来自 Longpre 等人，《开放智能的经济学：追踪模型生态系统中的权力与参与》

前沿模型与较小系统之间的性能差距往往会通过微调和任务特定适配迅速缩小。在 Hub 上，数亿参数的模型支持搜索、标注和文档处理工作流，而个位数十亿参数的模型则广泛用于编码、推理和多模态任务。因此，大多数主要模型开发者如今都会发布覆盖多种规模的模型系列。有能力的小型模型的崛起将自主性推向更靠近边缘的位置，减少了对中心化云服务提供商的依赖。

计算、硬件与开源

开源AI开发与硬件趋势密切相关。大多数模型针对NVIDIA GPU优化，但对AMD硬件的支持持续扩大。Stability AI模型集合现在同时针对NVIDIA和AMD平台优化。各类库越来越多地同时面向两者，工具链也已改进，使跨硬件部署更加直接。2025年，Hugging Face推出了Kernel Hub，用于加载和运行针对NVIDIA和AMD GPU优化的内核。

与此同时，中国的开源模型在发布时明确支持国产芯片。阿里巴巴投资了以推理为重点的芯片架构，旨在让中国数据中心充满能够在本地运行开源模型的硬件。

尽管获取计算资源仍然是AI模型开发和部署的核心必要条件，但开源和开放权重模型正在帮助摆脱一个计算资源成为一切的生态系统，越来越多各种性能水平的模型将效率推高到比最大开发者的旗舰AI模型成本低10倍到1000倍。

数据与图表来自 Hugging Face

尽管如此，开源基础设施投资的问题依然紧迫。能够训练和提供开源模型服务的数据中心的公共资金已成为日益增长的政策讨论议题，尤其是在欧洲和英国。大型闭源模型公司可用的计算资源与开源社区可获取的计算资源之间的差距，继续塑造着开放开发中什么是可行的。

子社区：机器人技术

机器人技术已成为 Hugging Face 上增长最快的子社区之一。数字令人瞩目：机器人数据集从2024年的1,145个增长到2025年的26,991个，在短短三年内从第44位跃升至 Hub 上最大的数据集类别。作为对比，第二大类别文本生成在2025年仅有约5,000个数据集。

数据来自 Hugging Face | 图表与故事由 AI World 制作

社区贡献的数据集涵盖从家务操作任务到自动驾驶的各个领域。最大的空间智能多模态数据集 Learning to Drive (L2D) 通过 LeRobot 与 Yaak 的合作发布。像 RoboMIND 这样的数据集，拥有超过 107,000 条真实世界轨迹，涵盖 479 个不同任务和多种机器人形态，提供了训练可泛化机器人策略所需的规模和多样性。

Hugging Face 收购 Pollen Robotics 后，将开源机器人销售开放给了工业界、学术实验室以及普通爱好者。LeRobot 是 Hugging Face 的开源机器人库，在 PyTorch 中提供用于真实世界机器人的模型、数据集和工具，涵盖模仿学习、强化学习和视觉-语言-动作模型，经历了快速增长。在过去一年中，其 GitHub 仓库的 star 数几乎增长了两倍。

数据来自 GitHub | 图表来自 star-history.com

子社区：科学 AI

科学研究已成为另一个特别活跃的领域。开放模型和数据集越来越多地用于蛋白质折叠、分子动力学、药物发现和科学数据分析。所有前沿 AI 公司现在都设有专门的科学团队，不过当前许多关注点仍集中在文献发现而非直接实验。

Hugging Face 空间 | 科学发布热力图

围绕共同研究目标形成的社区主导项目，往往涉及跨机构和跨学科的数百名贡献者。这些努力凸显了开源作为协调大规模、跨学科工作的机制的作用，而仅靠传统学术或企业结构很难组织起这样的工作。

展望未来

开源 AI 生态系统继续通过全球参与、技术专业化和机构采用相结合的方式演进。若干趋势可能会定义下一阶段。

权力的地理再平衡正在加速。西方组织越来越多地寻求可商业部署的中国模型替代品，这为 OpenAI 的 GPT-OSS、 AI2 的 OLMo 和 Google 的 Gemma 等努力带来了紧迫性，以提供来自美国和欧洲开发者的有竞争力的开放选项。这些努力能否匹敌 Qwen 和 DeepSeek 的采用势头，将是 2026 年的一个决定性问题。

机器人技术和科学领域子社区的增长表明，开源 AI 正在超越语言和图像生成，扩展到物理和实验领域。围绕文本和图像模型发展起来的基础设施、规范和协调机制，正在被调整以适应新的模态和用例。

对于研究人员、开发者、公司和政府而言，开源仍然是构建、评估和治理 AI 系统的基础层。随着智能体部署的增加，开源及其互操作性将是智能体蓬勃发展的关键。其过去一年的发展轨迹清楚表明了一件事：开源生态系统是 AI 开发、适配和部署大量实际工作发生的地方，其对更广泛 AI 格局的影响 continues to grow。

感谢 Hugging Face 社区持续构建 AI 生态系统的基础 🤗

如果你想引用这篇博客文章，可以使用以下 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},
}