A nyílt AI-modellek versenyében első ránézésre úgy tűnhet, hogy a legnagyobb paraméterszám visz mindent. A valóság ennél jóval érdekesebb: a figyelmet sokszor az óriásmodellek kapják, de a mindennapi használatot még mindig a kisebb, stabil modellek uralják.

Mi történt

A Hugging Face ökoszisztémája 2026-ra tovább gyorsult: a nyilvános modellrepozitóriumok száma 2,43 millióról 2,96 millióra nőtt, a dataseteké 711 ezerről 1 millióra, a Spaces projekteké pedig 1 millióról 1,44 millióra. Közben a használat eloszlása továbbra is szélsőséges: a modellek nagyjából 85,6%-ának 200 alatti összesített letöltése van, miközben a repók 1,5%-a viszi el az összes letöltés 99,2%-át. Magyarul: rengeteg minden készül, de csak egy szűk kör válik valódi infrastruktúrává.

A felső kategóriában különösen látványos az átrendeződés. Több kínai labor 2026-ban gyakorlatilag átugrotta a korábbi fejlődési mintát, vagyis nem kisebb modellekkel kezdett, hanem rögtön a 754 milliárd és 2,78 billió paraméter közötti tartományban publikált. A paraméter itt leegyszerűsítve a modell „belső állítható elemeinek” száma: minél több van belőle, annál nagyobb és jellemzően erőforrás-igényesebb a rendszer. Az amerikai szereplők ezzel szemben több hónapban 130 milliárd paraméter alatt maradtak, néhány kivétellel.

Közben az is látszik, hogy két eltérő stratégia alakult ki. Az egyik megközelítés szinte csak nagyon nagy modelleket ad ki, ezzel benchmarkokban és API-piacon próbál erős pozíciót fogni. A másik teljes modellcsaládot épít, a kicsitől a nagyon nagyig, hogy a fejlesztők ugyanarra az ökoszisztémára tudjanak szabványosítani. Ez utóbbi azért fontos, mert a gyakorlatban nem mindig a „legerősebb” modell nyer, hanem az, amit a legkönnyebb beilleszteni egy termékbe, futtatni meglévő hardveren, finomhangolni és hosszú távon karbantartani.

Miért fontos

A legérdekesebb tanulság talán az, hogy a népszerűség mérésére használt számok mást és mást mondanak. A kedvelések inkább azt mutatják, mire figyel most a szakma; a letöltések pedig azt, mire épülnek a valódi rendszerek. Gondolj rá úgy, mint egy autókiállításra és a városi forgalomra: a reflektorfény a sportkocsikra esik, de a várost a furgonok és a családi autók működtetik. Nem véletlen, hogy a 2026-ban kiadott modellek közül egy sem került be az éves letöltési top 25-be, miközben a lista több mint fele 2022-es megjelenés. Ez arra utal, hogy az AI-ban is gyorsan különválik az újdonság ereje és az infrastruktúra tehetetlensége.

A másik fontos fejlemény a hardver és a nyílt modellek összekapcsolódása. Az AMD és az NVIDIA rengeteg modellt vagy modellváltozatot tett közzé, mert egy nyíltan elérhető, saját chipre optimalizált modell a legjobb demonstráció arra, hogy az adott hardver valóban használható. Ugyanez a logika Kínában is működik, csak fordítva: ott egyre több modellt hazai chipekre hangolnak. A nyílt modellek így már nem csak kutatási eredmények, hanem terjesztési és platformépítési eszközök is.

Mire figyelj

  1. Érdemes követni, hogy a nagyon nagy, nyílt súlyokkal kiadott modellek licencei mennyire maradnak megengedők. Az év nagy részében a felső kategóriában is sok volt az Apache 2.0 vagy MIT licenc, de az utóbbi hetekben megjelentek szigorúbb, nem kereskedelmi vagy bevételmegosztást kérő feltételek is.
  1. Fontos lesz figyelni a kvantálás szerepét. Ez az a technika, amely a nagy modelleket kisebb memóriaigényűre „összecsomagolja”, így olyan gépeken is futtathatóvá teszi őket, ahol eredetileg nem férnének el. Ha ez a közösségi réteg erős marad, a laborok még kevésbé lesznek rákényszerítve kisebb modellek kiadására.
  1. A fejlesztői ökoszisztémában nem csak az számít majd, ki adja ki a legnagyobb modellt, hanem az is, ki köré épül a legtöbb továbbfejlesztett változat. Ebben most különösen erősnek látszik a Qwen-család, ami arra utal, hogy a tartós befolyást nem feltétlenül a címlapra kerülő premier, hanem a közösségi újrahasználhatóság dönti el.