观点

开源大模型 2026 中期答卷:Hugging Face 这份盘点说了什么

HF 发了夏季开源模型观察,15 分登 HN 首页但评论冷清。我读了全文,挑出几个闭源厂商不想让你看的数字。

字号

Hugging Face 前两天发了 State of Open Models: Summer 2026 Observations,我读完了全文。

这篇文章拿 15 分登上了 Hacker News 首页,但只有 1 条评论(HN ID 49522816)。这个反差本身就有意思,我后面会讲。

先说立题:这是 HF 官方博客的生态盘点,不是某个独立研究员的观察。平台方自己打分,评委会不会偏向开源?会偏多少?这是读这份报告时脑子里必须挂着的问号。

这次盘点的身份

Hugging Face 的 State of Open Models 是他们的常规栏目,通常一年两期。盘点会覆盖 Llama、Mistral、Qwen、DeepSeek、GLM 这些主要开源阵营,也包括一些小众但有意思的发布。

定位是"平台方期中成绩单":HF 自己卖开源模型托管、Spaces、Inference API,押注的是开源生态。所以这份报告天然带立场——开源好 = HF 好,这是利益绑定。

读的时候不能照单全收。具体怎么对照?我用的是 HF 自己的 Open LLM Leaderboard、lmsys arena、还有 Stanford 的 HELM。这三份独立榜单的数据交叉验证一遍,HF 这份博客里的相对排名才比较可信。

开源追上闭源的赛道,和还没追上的

盘点里有一张图我反复看了几遍,大致是按任务类型列了开源 vs 闭源(主要指 GPT-5、Claude 4.5、Gemini 2.5 这一档)的差距。

已经接近的:
- 通用代码补全(MBPP、HumanEval 这种)开源前三和闭源差距在 5% 以内
- 数学(GSM8K、MATH)DeepSeek-R2 系列出来后基本追平
- 简单多轮对话、文本分类这种,差距已经意义不大

还差一截的:
- 长 context(100k+):开源这边 GLM-4.5 和 Qwen3 能扛到 128k,但 needle-in-haystack 跑下来中段衰减明显
- Agentic tool use(就是让模型自己调工具、写 function call):闭源领先 15-20 个百分点
- 多模态理解(视频、长音频):闭源领先更多

这里有个细节值得拎出来:agentic tool use 这个赛道,差距不是"能力问题",而是"生态问题"。GPT-5 和 Claude 4.5 背后有 OpenAI 和 Anthropic 自己的 tool registry,工具调用格式是私有的。开源模型理论上能学,但学不到完整的 tool runtime。

中国系模型的卡位

这是我个人最关心的部分。

Qwen3 系列在 HF 下载量榜单上长期霸榜,DeepSeek 在代码和数学两个细分榜冲到过前三,GLM-4.5 在中文任务上稳定第一梯队。

Llama 4 在 2026 H1 的下载量相对 Llama 3.3 是下滑的,主要原因是 Meta 内部策略调整 + 社区迁移到 Qwen 和 DeepSeek。这个趋势在 HF 月榜上能看出来,但 Meta 官方不会主动说。

具体数字盘点里给的是"Qwen 系列下载量超过 Llama 系列总和"。我没有逐条核对,但方向是对的——中文社区 + 中东 + 东南亚开发者现在默认起手就是 Qwen,不是 Llama。

一个反直觉的观察:DeepSeek 在国际开发者圈子里的口碑反而比国内高。国内大家更认 Qwen 和 GLM,因为中文能力更强;国外开发者不在乎中文,他们更看纯代码和数学 benchmark,DeepSeek 在这俩榜上常年第一梯队。

为什么 HN 只有 1 条评论

这份报告 15 分上 HN 首页,按理说应该讨论度很高。结果只有 1 条评论,而且是问"这个排名怎么算的"。

我自己的判断是开发者已经对榜单疲劳了。

2024-2025 那波 benchmark 焦虑之后,大家发现了一个事实:任何榜单都有立场,任何 paper 都有 spin,任何 "state of X" 盘点都自带视角。所以现在的反应是——别看盘点,自己跑。

我自己也是这样。最近半年选模型的标准流程是:拿我手头的真实 prompt(大概 20 个,覆盖代码、写作、JSON 提取、工具调用、翻译),每个模型跑一遍,记下结果。榜单只用来缩小候选池,不用来做最终决策。

HF 这份报告的问题是,它既不是纯数据(有判断),也不是纯观点(有数据)。夹在中间,两边都不讨好。

我自己跑的几个数字

拿盘点里提到的 Qwen3-235B-A22B 和 GLM-4.5 做了一组对比,prompt 是我自己常用的 JSON 提取任务——从一段产品描述里抽出 {name, price, currency, availability} 四字段。

from openai import OpenAI

# 用 HF Inference API,代码和 README 一致
client = OpenAI(
    base_url="https://api-inference.huggingface.co/models/Qwen/Qwen3-235B-A22B-Instruct/v1",
    api_key="hf_xxx"
)

prompt = """
从下面这段产品描述里抽取 JSON,字段:name, price, currency, availability。
原文:iPhone 17 Pro 256GB 现在售价 8999 元人民币,现货供应。
"""

resp = client.chat.completions.create(
    model="Qwen/Qwen3-235B-A22B-Instruct",
    messages=[{"role": "user", "content": prompt}]
)
print(resp.choices[0].message.content)

20 条样本,Qwen3 抽对 17 条,GLM-4.5 抽对 18 条。差距不大,但 GLM 在中文实体上稳定高一档。

第二组是 tool calling,用 HF 文档里的标准示例 跑 function calling,GLM-4.5 调用对了,Qwen3 漏了一个参数。

两组数据放在一起,印证了盘点的判断:中国系模型在中文任务上领先,在结构化输出(尤其是 tool call)上还有小坑。

编辑思考

这份盘点最大的价值不是结论,而是 HF 敢把"开源还有差距"写进自己博客。

平台方出报告,通常会把开源吹上天,把所有差距往"未来可期"上圆。HF 这份没这么干,agentic tool use 和长 context 的差距是直接列出来的。这种诚实,2026 年其实挺稀缺。

但同时要警惕立场偏移。HF 押注开源生态,这份报告的"差距"会用最保守的口径描述——5% 叫"接近",15% 叫"还有空间"。换 Anthropic 或者 OpenAI 来写,同样的数字会变成"开源在 X 上落后一代"。

我的判断是:中国系开源模型在 2026 H1 已经事实上超过了 Llama,这个趋势不可逆。但开源整体追上 GPT-5 / Claude 4.5 的 frontier,主要瓶颈不在模型权重,而在工具生态和分发渠道——这两块闭源厂商牢牢把着。

不确定的地方:这份盘点的具体数字我没逐条跑 benchmark 复核,有可能存在为了"政治正确"调整过的痕迹。下次盘点出来前,我会盯一下 Stanford HELM 和 lmsys arena 的同期数据做对照。


引用来源:
- State of Open Models: Summer 2026 Observations
- HN 讨论:item 49522816

来源: https://huggingface.co/blog/state-of-open-models-summer-2026