Hugging Face: Qwen og små modeller vinner faktisk bruk

Hugging Face sin nye sommerstatus for åpne modeller er ikke enda en hypegraf over hvem som har størst modell. Den er mer nyttig enn som så: den viser hva utviklere faktisk bruker, hva de bygger videre på, og hvor agenttrafikken begynner å endre hele distribusjonslaget.

Kortversjonen for ledere: åpne vekter er ikke lenger bare et forsknings- eller hobbyspor. Det er blitt en praktisk leverandørstrategi. Men vinnerne ser ikke nødvendigvis ut som de største modellene i feeden. Hugging Face peker på tre tydelige skifter: Qwen har blitt et tyngdepunkt for utviklere, små modeller bærer mest av den faktiske driften, og AI-agenter er blitt en målbar brukergruppe på Hub-en.

Rapporten dekker aktivitet fra januar til august 2026. I perioden vokste offentlige modellrepositorier på Hugging Face fra 2,43 til 2,96 millioner. Datasett gikk fra 711 000 til 1 million, og Spaces fra 1,00 til 1,44 millioner. Det høres bredt og demokratisk ut, men fordelingen er brutal: 85,6 prosent av modellene har færre enn 200 nedlastinger gjennom hele levetiden, mens 1,5 prosent av repositoriene står for 99,2 prosent av alle nedlastinger.

Det er akkurat her mange AI-strategier bommer. Likes, lanseringer og benchmark-postere måler oppmerksomhet. Nedlastinger og derivater måler integrasjon. En CIO som skal velge modellstrategi må skille de to økonomiene. Det som ser mest imponerende ut på lanseringsdagen er ikke nødvendigvis det som havner i drift, batchjobber, edge-enheter, interne verktøy eller agent-runtime.

Qwen blir standardlaget

Det mest konkrete funnet er Qwen sin posisjon. Ifølge Hugging Face står Qwen-baserte modeller nå bak 151 448 derivater på Hub-en. Det er 2,6 ganger Meta sitt totale fotavtrykk og 4,7 ganger Llama-repositoriene spesifikt. Qwen-derivater har vokst med omtrent 180 til 210 nye repositorier per dag gjennom årets sju første måneder.

Dette er ikke bare en popularitetsmåling. Det viser hvor utviklere legger finjusteringer, adaptere, kvantiseringer, lokale builds og eksperimenter. Når en modellfamilie får så mye downstream-arbeid, blir den vanskeligere å bytte ut. Økosystemet rundt modellen blir en switching cost.

Hugging Face peker på tre årsaker: regelmessig release-kadens, bred dekning fra små lokale modeller til store deployeringsmodeller, og Apache 2.0-lisens som gjør kommersiell bruk mindre friksjonsfylt. Det gir en modellfamilie som selskaper kan standardisere på uten å låse alt til ett gigantisk frontier-endepunkt.

For norske virksomheter betyr det at Qwen ikke bare bør vurderes som enda en åpen modell. Den bør vurderes som en plattformfamilie: kan den dekke klassifisering, dokumentforståelse, intern søk, agentdeloppgaver og lokal inferens med samme økosystem? Hvis ja, kan det redusere både integrasjonskost og leverandørfragmentering.

Små modeller gjør den tunge jobben

Rapporten bekrefter også et funn som er mindre glamorøst, men mer operativt viktig: små modeller står for mest bruk. Blant modeller som oppgir parameterantall står modeller under 1 milliard parametere for 83 prosent av all-time-nedlastingene. Modeller over 100 milliarder står for 1 prosent. Ser man bare på 2026-nedlastinger, går kun 3 prosent av volumet til modeller over 70 milliarder parametere.

Det betyr ikke at store modeller er irrelevante. Det betyr at de ikke er standardverktøyet for alt. Små modeller er praktiske fordi de kan kjøres billigere, nærmere data, med lavere latens og ofte med enklere sikkerhetsmodell. De er gode nok til mye av arbeidet som faktisk repeteres: ruting, klassifisering, strukturering, ekstraksjon, oversettelse, søkestøtte, enkle agentsteg og policykontroller.

Dette bør treffe både budsjett og arkitektur. Hvis virksomheten sender alle agentsteg til en dyr frontiermodell, betaler den trolig for mye og eksponerer mer data enn nødvendig. Den riktige modellen er ofte ikke beste modell, men billigste modell som løser oppgaven med målt kvalitet innenfor risikogrensen.

Hugging Face viser også hvorfor lokale modeller har fått et nytt tak. GGUF-økosystemet og llama.cpp gjør at store MoE-modeller kan kvantiseres og kjøres i oppsett som var urealistiske for kort tid siden. Qwen leder lokal inferens tydelig: 39,6 millioner GGUF-nedlastinger i måneden, mot Gemma med 20,8 millioner og Llama med 7,5 millioner. Det er et signal om faktisk bruk, ikke bare diskusjon.

Åpne vekter flytter verdien

Et annet lederpoeng er lisenslogikken. Hugging Face skriver at av 178 kinesiske releases over 20 milliarder parametere i år har 59 prosent Apache 2.0 og 22 prosent MIT, og ingen har ikke-kommersiell restriksjon. Samtidig er amerikanske releases i samme størrelsesbånd langt oftere på custom terms eller uten deklarert lisens.

Det betyr ikke at alle åpne modeller er risikofrie. Det betyr at forretningsmodellen flytter seg. Verdien tas ikke bare gjennom lisens til vektene, men gjennom API-bruk, sky, maskinvare, distribusjon, verktøy, fine-tuning, runtime og posisjon i utviklerøkosystemet.

For innkjøp og sikkerhet blir spørsmålet derfor mer nyansert enn åpen eller lukket. Man må vurdere lisens, modellkort, datakilde, evals, skadepotensial, driftstopologi, support, eksportkontroll, oppdateringsrytme og hvem som kontrollerer de praktiske buildene som faktisk kjøres. En uoffisiell kvantisering kan være mer brukt enn originalvektene, men den må fortsatt kunne spores, verifiseres og patches.

Agentene er blitt brukere

Den mest fremtidsrettede delen er agenttrafikken. Hugging Face bruker et nytt agent-usage-datasett som registrerer agent/-token når kodeagenter bruker huggingface_hub eller hf CLI til å søke etter modeller, pushe datasett, kjøre Jobs eller lage Spaces.

I juli ledet Claude Code agenttrafikken med 44,4 prosent. Codex økte jevnt fra 10,4 til 20,8 prosent. Samtidig var nesten en fjerdedel av agentmerket trafikk i juli fra ikke-navngitte harnesses, og i mai var den andelen 59,8 prosent. Det er et klart signal om at agentmarkedet ikke har stabilisert seg. Nye klienter, verktøy og standarder dukker opp raskere enn registrene rekker å navngi dem.

Dette endrer kravene til leverandørstyring. Når agenter begynner å velge modeller, lese dokumentasjon, bygge datasett og kalle tjenester på vegne av mennesker, må virksomheten styre mer enn brukergrensesnittet. Den må styre hvilke agentklienter som får tilgang, hvilke modeller de får hente, hvilke repositorier de kan skrive til, og hvilke data som kan sendes ut av miljøet.

Den praktiske konsekvensen er at AI-governance må ned i runtime. Policy må sitte i gateway, agent-runtime, modellruting, logging og tilgangskontroll. En PDF-policy i compliance-mappen hjelper lite når en agent selv bygger sin neste verktøykjede.

Hva ledelsen bør gjøre nå

Første grep er å kartlegge faktisk modellbruk. Ikke bare hvilke modeller teamene liker, men hvilke modeller som lastes ned, kjøres, kalles fra agenter og ligger i pipelines. Skill mellom eksperiment, produksjon og automatisk agentbruk.

Andre grep er å bygge en modellportefølje, ikke en modellreligion. Frontiermodeller bør brukes der oppgaven krever tung resonnering eller høy kvalitet. Mindre modeller bør måles inn for volumoppgaver. Åpne modeller bør vurderes der lokalitet, kostnad, kontroll og spesialisering betyr mer enn absolutt toppscore.

Tredje grep er å stille strengere krav til artefakter. Hvis virksomheten bruker kvantiserte builds, GGUF-varianter eller community-derivater, må det finnes opprinnelse, hash, lisens, modellkort, eval og patchprosess. Ellers er den åpne modellen bare en ny supply chain-risiko med bedre PR.

Hugging Face-rapporten sier egentlig at modellmarkedet har delt seg. Frontierløpet avgjør hvem som setter toppnivået. Brukslaget avgjør hvem som blir infrastruktur. Akkurat nå peker mye av brukslaget mot Qwen, små modeller, lokale runtimes og agenter som ikke lenger bare leser nettet, men aktivt bygger på toppen av modelløkosystemet. Det er verdt mer enn enda en benchmarkkrone.

Kilder og medier

Primærkilde: Hugging Face, State of Open Models: Summer 2026 Observations - https://huggingface.co/blog/state-of-open-models-summer-2026

Thumbnail: OpenAI Image 2 / hogby.ai