In den letzten sieben Monaten haben US-amerikanische Open-Source-Modelle bei China die Hausaufgaben abgeschaut.

Kürzlich veröffentlichte Hugging Face den neuesten Bericht „Zustand der Open-Source-Modelle: Beobachtungsbericht Sommer 2026“.

Der Bericht weist darauf hin, dass chinesische Labore seit Beginn des Jahres 2026 bei der Parametergröße fortschrittlicher offener Modelle kontinuierlich führend sind, während sich der Wettbewerbsschwerpunkt der Vereinigten Staaten allmählich von Modellentwicklern wie Meta und Google auf Chip- und Infrastrukturunternehmen wie NVIDIA und AMD verlagert.

Besonders bemerkenswert ist, dass chinesische Modelle zu einer wichtigen Grundlage für große US-amerikanische Modelle mit hunderten Milliarden Parametern werden. Dem Bericht zufolge basieren die meisten der Open-Source-Modelle mit über 100 Milliarden Parametern, die in den ersten sieben Monaten dieses Jahres in den USA veröffentlicht wurden, auf chinesischen Modellen, die für Feinabstimmung, Quantisierung, Formatumwandlung oder Hardwareanpassung verwendet wurden.

Gleichzeitig steigt die Anzahl der Modelle zwar weiterhin rasant an, aber die Modelle, die von Entwicklern langfristig tatsächlich genutzt werden, konzentrieren sich nach wie vor auf wenige Repositories, und es besteht eine deutliche Lücke zwischen der Popularität eines Modells und seiner tatsächlichen Akzeptanz.

In den ersten sieben Monaten dieses Jahres ist die Anzahl der öffentlichen Modell-Repositories auf Hugging Face von 2,43 Millionen auf 2,96 Millionen gestiegen, die Anzahl der Datensätze hat 1 Million überschritten und die Anzahl der Spaces (Plattform für den Online-Betrieb von KI-Anwendungen) ist auf 1,44 Millionen angestiegen. Allerdings haben 85,6 % der Modelle weniger als 200 Downloads in ihrer gesamten Lebensdauer, und nur 1,5 % der Modell-Repositories tragen zu 99,2 % der gesamten Downloads bei.

Die Anzahl der Datensätze auf Hugging Face wächst kontinuierlich und hat 2026 bereits 1 Million überschritten

Nur ein sehr kleiner Teil der Modelle wird tatsächlich in den Entwicklungsprozess integriert.

Fortschrittliche Modelle erreichen ständig Billionen von Parametern, aber die tatsächlichen Downloads konzentrieren sich weiterhin auf kleine Modelle: Unter den Modellen mit bekannter Parametergröße machen Modelle mit weniger als 1B (1 Milliarde) Parametern 83 % der historischen Downloads aus, während Modelle mit über 100 Milliarden Parametern nur 1 % ausmachen.

01 Chinesische Modelle erreichen die Spitzenposition

In den ersten sieben Monaten dieses Jahres lag die monatliche Obergrenze der Parametergröße chinesischer Open-Source-Modelle zwischen 754 Milliarden und 2,78 Billionen. In fünf Monaten lag die Obergrenze der ursprünglichen US-Modelle unter 130 Milliarden Parametern, mit Ausnahme von Nemotron 3 Ultra (561 Milliarden Parameter), das NVIDIA im Mai und Juni veröffentlicht hat, sowie Inkling (952 Milliarden Parameter) von Thinking Machines Lab.

In den ersten sieben Monaten des Jahres 2026 behielten chinesische Labore die Führung bei der monatlichen maximalen Größe von Open-Source-Modellen gegenüber den USA bei

Darüber hinaus hat sich die Strategie der chinesischen Labore hinsichtlich der Modellgröße differenziert.

Die neuen Modelle von Moonshot AI, MiniMax, Xiaomi und Zhipu konzentrieren sich hauptsächlich auf größere Größen. Währenddessen deckt Alibaba's Qwen verschiedene Parametergrößen ab und verfolgt einen anderen Ansatz.

Jedes KI-Labor verfolgt eine eigene Strategie für die Modellgröße

Der Bericht erläutert, dass diese Veränderung mit der Veränderung der Modellentwicklungsmethoden zusammenhängt. Große Modelle selbst sind kaum noch ein differenzierender Wettbewerbsvorteil, und die Entwicklung von Quantisierungstools ermöglicht es großen Modellen, schneller auf lokalen Geräten ausgeführt zu werden. Labore müssen nicht unbedingt zuerst kleine Modelle veröffentlichen und dann schrittweise zu größeren Größen übergehen.

Gleichzeitig werden immer mehr der offenen US-Modelle mit hunderten Milliarden Parametern nicht von Grund auf neu entwickelt. Bei dieser Größe ist die Anzahl der ursprünglich in den USA entwickelten Modelle begrenzt.

Die wichtigsten im Bericht aufgeführten Modelle umfassen Inkling von Thinking Machines Lab, die Nemotron 3-Serie von NVIDIA und Trinity-Large von Arcee AI. Obwohl AMD eine große Anzahl von umgewandelten Versionen von sehr großen Modellen hochgeladen hat, hat es im gleichen Zeitraum kein ursprüngliches Basismodell dieser Größe veröffentlicht.

Dies führt zu einer Veränderung der Rolle der US-Unternehmen. Die beiden Unternehmen, die 2026 die meisten neuen Modell-Repositories veröffentlicht haben, sind NVIDIA und AMD mit jeweils über 200 Repositories, weit mehr als andere Institutionen.

Hugging Face ist der Ansicht, dass eine große Anzahl der von NVIDIA und AMD veröffentlichten Modelle für ihre eigenen Chips optimiert sind, und die Modelle selbst dienen dazu, die Leistung der Hardware zu demonstrieren.

AMD und NVIDIA sind die beiden Hardwarehersteller in den USA, die in diesem Jahr die meisten Open-Source-Modelle veröffentlicht haben

Im Vergleich dazu hat die führende Position von Google und Meta im Bereich der Open-Source-Modelle in den letzten Jahren abgenommen. Die Hauptakteure der Open-Source-Modellentwicklung erweitern sich von traditionellen Modellentwicklungslaboren zu Chip- und Infrastrukturunternehmen.

02 Große Modelle sind beliebt, kleine Modelle sind praktischer

Die Anzahl der Modellparameter steigt stetig an, aber die Downloads verlagern sich nicht gleichzeitig zu großen Modellen.

Statistiken von Hugging Face zeigen, dass von den 25 Modellen mit den höchsten Downloads und den 25 Modellen mit den meisten Likes im Jahr 2026 nur eines übereinstimmt. Keines der 2026 veröffentlichten Modelle schafft es in die Top 25 der Downloads, 13 davon stammen aus dem Jahr 2022.

Das generische Texteinbettungsmodell all-MiniLM-L6-v2 wurde in den ersten sieben Monaten dieses Jahres 1,55 Milliarden Mal heruntergeladen, erhielt aber nur 5156 Likes. Bei Kimi-K3 kommen auf einen Like etwa 60 Downloads.

Hugging Face stellte fest, dass Likes sich hauptsächlich auf die Aufmerksamkeitsphase nach der Veröffentlichung neuer Modelle konzentrieren, während Downloads hauptsächlich von Modellen stammen, die bereits in den Entwicklungsprozess integriert sind. Die Aufmerksamkeit, die ein Modell bei seiner Veröffentlichung erhält, spiegelt nicht direkt das spätere Nutzungsvolumen wider.

Dieser Unterschied zeigt sich auch bei der Modellgröße.

Unter den Modellen mit bekannter Parametergröße machen Modelle mit weniger als 1B Parametern 83 % der historischen Downloads aus, während Modelle mit über 100 Milliarden Parametern nur 1 % ausmachen. Dies gilt auch für das Jahr 2026: Modelle mit über 70 Milliarden Parametern machen nur 3 % der Downloads aus.

Modelle mit kleineren Parametern bleiben die Hauptquelle der Downloads

Die Download-Struktur chinesischer Spitzenlabore unterscheidet sich deutlich von der US-amerikanischer Institutionen. Qwen erreichte mit seiner Modellfamilie, die verschiedene Größen abdeckt, 2,045 Milliarden Downloads.

Die Downloads von MiniMax in diesem Jahr stammen fast vollständig von Modellen mit über 70 Milliarden Parametern, bei Moonshot AI sind es 88 %, bei DeepSeek 55 % und bei Zhipu 39 %. Die Downloads von Google, Microsoft und IBM Granite in dieser Größenordnung sind nahezu null, bei NVIDIA sind es 14 % und bei Meta 9 %.

Alibabas Qwen ist die Open-Source-Modellreihe mit den meisten Downloads

Fortschrittliche Modelle werden ständig größer, aber die Frage, wie diese Modelle tatsächlich betrieben werden können, ist zu einem neuen Problem geworden.

In der Hugging-Face-Schnappschussaufzeichnung vom Juli 2026 gibt es bereits GGUF-Builds von DeepSeek-V4-Flash mit etwa 284 Milliarden Parametern und Kimi-K3 mit etwa 2,8 Billionen Parametern.

GGUF ist ein Modelldateiformat, das für den lokalen Betrieb geeignet ist. Nach der Quantisierung kann das Modell den für den Betrieb erforderlichen Arbeitsspeicher reduzieren und wird dann mit Tools wie llama.cpp auf lokalen Geräten bereitgestellt.

Dadurch müssen sehr große Modelle nicht vollständig auf die Cloud angewiesen sein. In der Vergangenheit konzentrierte sich der lokale Betrieb großer Modelle hauptsächlich auf Größen von mehreren zehn Milliarden Parametern. Heute können Entwickler größere Mixture-of-Experts-Modelle über mehrere handelsübliche Geräte hinweg betreiben.

Die Tools für den Modellbetrieb wachsen ebenfalls rasant an. In den letzten sieben Monaten sind die Hugging-Face-Modell-Repositories um 21,5 % gestiegen, während die Repositories, die die Nutzung der gguf-Bibliothek deklarieren, um 464 % zugenommen haben, Apple MLX um 148 % und LeRobot um 194 %.

03 Der Wettbewerb erstreckt sich auf das Ökosystem

Nachdem ein Modell als Open Source veröffentlicht wurde, endet der Wettbewerb nicht. Für die Herausgeber ist die wichtigere Frage, ob Entwickler bereit sind, das Modell zu modifizieren, bereitzustellen und auf seiner Grundlage weiterzuentwickeln.

Die Lizenz ist einer der wichtigsten Faktoren.

Von den 178 chinesischen Modellen mit über 20 Milliarden Parametern in diesem Jahr verwenden 59 % die Apache 2.0-Lizenz und 22 % die MIT-Lizenz. Beide Lizenzen erlauben Entwicklern die Modifikation, Neuveröffentlichung und kommerzielle Nutzung, ohne nicht-kommerzielle Beschränkungen festzulegen.

DeepSeek und Zhipu haben sogar Modelle mit 700 Milliarden bis 1,65 Billionen Parametern unter der MIT-Lizenz veröffentlicht.

Im Vergleich dazu sind die Lizenzierungsmethoden für US-Modelle gleicher Größe stärker verteilt: 29 % verwenden die Apache- oder MIT-Lizenz, 41 % verwenden benutzerdefinierte Bedingungen und 30 % haben keine ausdrückliche Lizenzangabe.

Dies bedeutet, dass große offene Modelle selbst nicht die wichtigste direkte Einnahmequelle sind. Nachdem ein Modell kostenlos als Open Source veröffentlicht wurde, wird sein kommerzieller Wert hauptsächlich über APIs, Cloud-Dienste, Hardware und das Entwicklerökosystem realisiert.

Daher wird die Größe des Ökosystems zu einem weiteren Wettbewerbsindikator. Daten von Hugging Face zeigen, dass die Anzahl der abgeleiteten Modelle, die auf Qwen basieren, bereits 150.000 überschritten hat. In den ersten sieben Monaten des Jahres 2026 kommen täglich etwa 180 bis 210 neue Repositories von abgeleiteten Qwen-Modellen hinzu.

Dieser Ökosystemeffekt zeigt sich auch im Bereich des lokalen Betriebs. Derzeit bieten nur wenige der zehn größten Modellfamilien offizielle GGUF-Versionen an, aber die Community hat bereits eine große Anzahl von lokalen Betriebsversionen für diese Modelle erstellt. Am Beispiel von Qwen: Die monatlichen GGUF-Downloads betragen etwa 39,6 Millionen, fast doppelt so viel wie bei Gemma und mehr als das Fünffache von Llama.

Eine weitere wachsende Variable sind KI-Agenten. Hugging Face veröffentlichte im Juli dieses Jahres erstmals Daten zum Zugriff durch KI-Agenten: Claude Code macht 44,4 % aus, gegenüber 67,8 % im April. Codex stieg von 10,4 % auf 20,8 %. Gleichzeitig stammt fast ein Viertel des Datenverkehrs von noch nicht identifizierten Tools, und zwischen April und Juli sind mehr als zehn neue Client-IDs aufgetaucht.

Dies zeigt, dass KI-Agenten zu einer neuen Kategorie von Nutzern von Hugging Face werden. Sie können bereits über Tools nach Modellen suchen, Datensätze herunterladen, Aufgaben ausführen und Anwendungen aufrufen. Die Zugriffsmöglichkeit auf Modelle erweitert sich von manuellen Operationen auf KI-Agenten.

04 Meta und NVIDIA kehren zurück zum Wettbewerb

Die führende Position chinesischer Labore im Bereich der Open-Source-Modelle zwingt auch US-Unternehmen, ihre Strategien neu anzupassen.

Am 10. August veröffentlichte Meta Muse Glimmer mit offenen Gewichten unter der Apache 2.0-Lizenz. Einen Tag später stellte NVIDIA Nemotron 3.5 Lightning vor. Beide Modelle haben etwa 30 Milliarden Parameter und konzentrieren sich auf den lokalen Einsatz und die Arbeitslasten von KI-Agenten.