Hugging Face publica panorama dos modelos abertos em 2026

Crescimento e concentração

A Hugging Face analisou a atividade do Hub nos primeiros sete meses de 2026. Nesse período, os repositórios públicos de modelos cresceram de 2,43 milhões para 2,96 milhões; os de conjuntos de dados, de 711 mil para 1 milhão; e os Spaces, de 1 milhão para 1,44 milhão. A distribuição, porém, continua concentrada: 85,6% dos modelos têm menos de 200 downloads acumulados, enquanto 1,5% dos repositórios responde por 99,2% dos downloads.

Fronteira, adoção e licenças

O relatório afirma que laboratórios chineses avançaram rapidamente na fronteira dos modelos abertos. Em quase todos os meses de 2026, o maior e mais performático modelo aberto de um laboratório chinês superou os lançamentos de laboratórios americanos. O teto chinês variou de 754 bilhões a 2,78 trilhões de parâmetros, enquanto os modelos americanos ficaram abaixo de 130 bilhões em cinco dos sete meses, com exceções como Nemotron 3 Ultra, da NVIDIA, e Inkling, da Thinking Machines Lab. Moonshot, MiniMax, Xiaomi e Z.ai concentram-se em modelos grandes; Tencent e Qwen cobrem uma faixa que vai de menos de 1 bilhão de parâmetros a modelos de escala muito maior.

A análise também destaca a participação americana, sobretudo de AMD e NVIDIA, as organizações que mais publicaram novos modelos no período, com mais de 200 repositórios cada. Para o relatório, modelos abertos otimizados para determinado hardware funcionam como demonstração de que os chips são capazes de executá-los. A AMD também contribuiu com conversões que ajudam modelos de trilhões de parâmetros a rodar em hardware americano, enquanto modelos chineses são cada vez mais otimizados para chips domésticos.

Atenção da comunidade e uso efetivo aparecem como medidas diferentes. Apenas um repositório está simultaneamente entre os 25 mais baixados e os 25 mais curtidos. Nenhum modelo lançado em 2026 entrou no grupo dos 25 mais baixados; 13 deles são de 2022. O relatório interpreta curtidas como sinal de interesse e downloads como indício de integração a fluxos recorrentes. Modelos pequenos e estáveis permanecem como infraestrutura: all-MiniLM-L6-v2 acumulou 1,55 bilhão de downloads em sete meses, contra 5.156 curtidas.

Entre 178 lançamentos chineses acima de 20 bilhões de parâmetros, 59% usam Apache 2.0 e 22%, MIT, embora o texto também afirme que a maioria tem restrição não comercial. Mais recentemente, Kimi K3 e Qwen3.8 passaram a incluir algumas restrições não comerciais e exigências de participação na receita. O relatório argumenta que a distribuição permissiva de pesos busca retorno em APIs, nuvem, hardware, plataformas ou na posição no ecossistema, não necessariamente em receita de licenciamento.

Qwen, modelos pequenos e agentes

Qwen tornou-se, segundo a análise, a principal base comunitária do ecossistema: modelos derivados da família somam 151.448 repositórios, 2,6 vezes a presença total da Meta e 4,7 vezes a dos repositórios derivados de Llama. A combinação de lançamentos regulares, ampla cobertura de tamanhos e usos e licenciamento Apache 2.0 teria criado um ciclo de adoção e novos derivados, em grande parte produzido pela comunidade.

Modelos abaixo de 1 bilhão de parâmetros concentram 83% dos downloads históricos, enquanto os acima de 100 bilhões ficam com 1%; em 2026, modelos acima de 70 bilhões receberam 3% do volume. O relatório atribui isso ao hardware disponível e destaca o llama.cpp, cuja integração à Hugging Face e os formatos GGUF ampliaram a execução local de modelos muito grandes. Repositórios que declaram GGUF cresceram 464%, bem acima do crescimento de ferramentas centrais como transformers e peft.

Por fim, agentes passaram a ser um novo usuário do Hub. Em julho, Claude Code respondeu por 44,4% do tráfego identificado, enquanto Codex avançou de 10,4% para 20,8% entre abril e julho; quase um quarto do tráfego de julho veio de ferramentas ainda não nomeadas. A Hugging Face passou a oferecer Markdown legível por máquinas, rastros de agentes, endpoints e ferramentas via MCP. O relatório também registra um caso de intrusão autônoma e diz que a análise do código foi concluída com um modelo aberto quantizado, depois que modelos fechados recusaram a tarefa.

A conclusão é que a competição não depende apenas da fronteira: famílias amplas, adoção comunitária, formatos locais e agentes podem determinar onde o valor se acumula. A Hugging Face ressalva que seus indicadores medem apenas a atividade do Hub e não representam diretamente qualidade, adoção comercial ou participação total de mercado.