Hugging Face detecta un giro en la competencia de los modelos abiertos durante 2026

Hugging Face publicó el 14 de agosto de 2026 una nueva edición de su análisis bianual sobre el ecosistema de modelos abiertos, basada en observaciones recopiladas entre enero y agosto. El informe señala que los repositorios públicos de modelos del Hub pasaron de 2,43 a 2,96 millones durante el periodo. Los conjuntos de datos aumentaron de 711.000 a un millón, mientras que los Spaces crecieron de 1,00 a 1,44 millones.

El crecimiento se concentra de forma muy desigual. El 85,6% de los modelos registra menos de 200 descargas acumuladas y el 1,5% de los repositorios concentra el 99,2% de todas las descargas. Dentro de esta estructura, Hugging Face identifica un desplazamiento rápido de la frontera de rendimiento y tamaño.

Varios laboratorios chinos han dejado de seguir la progresión tradicional que llevaba de modelos pequeños a modelos cada vez mayores. En casi todos los meses de 2026, el modelo abierto más grande y con mejor rendimiento de un laboratorio chino superó al de cualquier laboratorio estadounidense. El techo mensual chino se situó entre 754.000 millones y 2,78 billones de parámetros. Los modelos estadounidenses permanecieron por debajo de 130.000 millones en cinco de los siete meses analizados, con las excepciones de Nemotron 3 Ultra de NVIDIA, de 561.000 millones de parámetros, e Inkling, de Thinking Machines Lab.

Moonshot, MiniMax, Xiaomi y Z.ai publican principalmente modelos de más de 70.000 millones de parámetros, mientras que Tencent y Alibaba Qwen cubren un rango que va desde menos de 1.000 millones hasta los tamaños mayores. El informe atribuye la estrategia de los primeros grupos a dos factores: construir modelos grandes ya no es una ventaja exclusiva y la comunidad puede aplicar técnicas de cuantización para hacerlos ejecutables en equipos más modestos poco después de su lanzamiento.

Estados Unidos mantiene una presencia destacada, especialmente a través de los fabricantes de hardware. AMD y NVIDIA fueron las organizaciones que publicaron más modelos abiertos nuevos durante el año, con más de 200 repositorios cada una. LiquidAI quedó en tercer lugar, con alrededor de 100. Hugging Face interpreta esta actividad como una forma de demostrar las capacidades de sus chips mediante modelos optimizados para su hardware.

El informe también destaca el papel de Google, Microsoft, IBM Granite y los modelos antiguos de visión y voz de OpenAI, que generan cientos de millones de descargas anuales cuando se incluyen los modelos pequeños y de embeddings. NVIDIA ha impulsado la familia Nemotron, Meta ha retomado una orientación abierta con Meta's Muse Glimmer y entre los modelos estadounidenses originales de gran tamaño figuran Nemotron 3 Ultra, Nemotron 3 Super y Trinity-Large de Arcee AI. AMD, por su parte, ha contribuido con numerosas conversiones que facilitan la ejecución eficiente de modelos de un billón de parámetros en hardware estadounidense.

La popularidad y la adopción no coinciden necesariamente. Solo uno de los 25 repositorios con más descargas acumuladas en 2026 aparece también entre los 25 con más «me gusta». Ningún modelo publicado en 2026 entra en el primer grupo, mientras que 13 de los 25 repositorios proceden de 2022. all-MiniLM-L6-v2 acumuló 1.550 millones de descargas en siete meses con 5.156 «me gusta», mientras que Kimi-K3 registró aproximadamente 60 descargas por cada «me gusta».

Para Hugging Face, los «me gusta» reflejan el interés inmediato por un lanzamiento, mientras que las descargas muestran qué modelos están integrados en procesos continuos. Los modelos pequeños y estables acumulan actividad durante años, y la adopción suele quedar determinada en los primeros meses tras su publicación. La diferencia también aparece entre empresas: los modelos de más de 70.000 millones concentran prácticamente todas las descargas de MiniMax, el 88% de las de Moonshot, el 55% de las de DeepSeek y el 39% de las de Z.ai. En cambio, Google, Microsoft e IBM Granite apenas registran descargas de modelos de ese tamaño; en NVIDIA representan el 14% y en Meta el 9%.

La estrategia de cobertura amplia de Qwen ilustra el efecto. Sus repositorios con un número de parámetros declarado alcanzaron 2.045 millones de descargas, frente a los 37 millones de la cartera centrada en modelos de frontera de Moonshot. La cifra de Qwen sube a 2.061 millones al incluir todos sus repositorios. La familia abarca desde Qwen 3.8 Max, de 2,4 billones de parámetros, hasta variantes de 27.000 millones.

El análisis observa además que los pesos abiertos desplazan el lugar donde se concentra el valor. De 178 lanzamientos chinos de más de 20.000 millones de parámetros publicados este año, el 59% utiliza Apache 2.0 y el 22% MIT, mientras que casi ninguno incluye restricciones no comerciales. DeepSeek y Z.ai han publicado modelos de entre 700.000 millones y 1,65 billones bajo MIT. No obstante, Kimi K3 y Qwen 3.8 2.4T empezaron recientemente a incorporar restricciones no comerciales y requisitos de participación en los ingresos. Entre los modelos estadounidenses de tamaño comparable, el 29% utiliza Apache o MIT, el 41% tiene condiciones personalizadas y el 30% no declara licencia.

Hugging Face concluye que estas publicaciones no parecen orientadas principalmente a obtener ingresos por licencias. El retorno puede proceder de las API y la nube, del posicionamiento de hardware y plataformas o del control de un ecosistema. El informe completo puede consultarse en Hugging Face.

Fuente: Hugging Face