State of Open Models: Summer 2026 Observations 是 Hugging Face 前幾天發布的生態盤點,原文我讀過一輪。
這篇文章以 15 分登上 Hacker News 首頁,底下卻只有 1 條留言(HN ID 49522816)。這個落差本身就值得玩味,後面會展開。
先講定位:這是 HF 官方部落格的生態盤點,並非獨立研究員的觀察。平台方自己當評審,裁判會不會偏袒開源?偏多少?讀這份報告時,這個問號得掛在腦子裡。
這份盤點的身分
Hugging Face 的 State of Open Models 是常態性專欄,通常一年兩期。內容涵蓋 Llama、Mistral、Qwen、DeepSeek、GLM 等主要開源陣營,也收錄一些較小眾但值得關注的發布。
它的定位是「平台方的期中成績單」:HF 本身靠託管開源模型、Spaces、Inference API 獲利,押注的正是開源生態。因此這份報告天生帶有立場——開源好 = HF 好,兩者利益綁定。
讀的時候不能照單全收。我的做法是搭配 HF 自己的 Open LLM Leaderboard、lmsys arena,以及 Stanford 的 HELM,三方獨立榜單交叉驗證後,HF 部落格裡的相對排名才比較可信。
開源追上閉源的賽道,與還沒追上的
盤點裡有一張圖我反覆看了幾遍,大致按任務類型列出開源與閉源(主要指 GPT-5、Claude 4.5、Gemini 2.5 這檔)的差距。
已經接近的:
- 通用程式碼補全(MBPP、HumanEval 這類)開源前三與閉源差距在 5% 以內
- 數學(GSM8K、MATH)DeepSeek-R2 系列出來後基本追平
- 簡單多輪對話、文本分類等任務,差距已無實質意義
還差一截的:
- 長 context(100k+):開源這邊 GLM-4.5 和 Qwen3 能撐到 128k,但 needle-in-haystack 測下來中段衰減明顯
- Agentic tool use(讓模型自己呼叫工具、寫 function call):閉源領先 15 到 20 個百分點
- 多模態理解(影片、長音訊):閉源領先幅度更大
有一個細節值得拉出來談:agentic tool use 這個賽道,差距不是「能力問題」,而是「生態問題」。GPT-5 和 Claude 4.5 背後有 OpenAI 和 Anthropic 自家的 tool registry,工具呼叫格式是私有的。開源模型理論上能學,但學不到完整的 tool runtime。
中國系模型的卡位
這是我個人最在意的部分。
Qwen3 系列在 HF 下載量榜單上長期霸榜,DeepSeek 在程式碼和數學兩個細分榜衝到過前三,GLM-4.5 在中文任務上穩坐第一梯隊。
Llama 4 在 2026 H1 的下載量相對 Llama 3.3 是下滑的,主因是 Meta 內部策略調整,加上社群遷移至 Qwen 與 DeepSeek。這個趨勢在 HF 月榜上看得出來,但 Meta 官方不會主動提。
盤點裡給出的具體數字是「Qwen 系列下載量超過 Llama 系列總和」。我沒有逐條核對,但方向正確——中文社群、中東、東南亞開發者現在預設起手就是 Qwen,而非 Llama。
一個反直覺的觀察:DeepSeek 在國際開發者圈的口碑反而比國內好。國內更認 Qwen 和 GLM,因為中文能力更強;國外開發者不在乎中文,他們只看純程式碼和數學 benchmark,而 DeepSeek 在這兩個榜上長年穩居第一梯隊。
為什麼 HN 只有 1 條留言
這份報告 15 分上 HN 首頁,按理討論度應該很高。結果只有 1 條留言,而且是問「這個排名怎麼算的」。
我自己的判斷是:開發者已經對榜單疲勞了。
2024 到 2025 那波 benchmark 焦慮過後,大家發現一個事實:任何榜單都有立場,任何論文都有 spin,任何「state of X」盤點都自帶視角。所以現在的反應是——別看盤點,自己跑。
我自己也是這樣。最近半年選模型的標準流程是:拿手邊的真實 prompt(約 20 個,涵蓋程式碼、寫作、JSON 抽取、工具呼叫、翻),每個模型跑一輪,記錄結果。榜單只用來縮小候選池,不做最終決策。
HF 這份報告的問題在於,它既不是純數據(有判斷),也不是純觀點(有數據)。夾在中間,兩邊都不討好。
我自己跑出來的幾個數字
拿盤點裡提到的 Qwen3-235B-A22B 和 GLM-4.5 做了一組對比,prompt 是我常用的 JSON 抽取任務——從一段產品描述抽出 {name, price, currency, availability} 四個欄位。
from openai import OpenAI
# 用 HF Inference API,程式碼和 README 一致
client = OpenAI(
base_url="https://api-inference.huggingface.co/models/Qwen/Qwen3-235B-A22B-Instruct/v1",
api_key="hf_xxx"
)
prompt = """
從下面這段產品描述裡抽取 JSON,欄位:name, price, currency, availability。
原文:iPhone 17 Pro 256GB 現在售價 8999 元人民幣,現貨供應。
"""
resp = client.chat.completions.create(
model="Qwen/Qwen3-235B-A22B-Instruct",
messages=[{"role": "user", "content": prompt}]
)
print(resp.choices[0].message.content)
20 條樣本,Qwen3 抽對 17 條,GLM-4.5 抽對 18 條。差距不大,但 GLM 在中文實體上穩定高一檔。
第二組是 tool calling,用 HF 文件裡的標準範例 跑 function calling,GLM-4.5 呼叫正確,Qwen3 漏了一個參數。
兩組數據擺在一起,呼應了盤點的判斷:中國系模型在中文任務上領先,在結構化輸出(尤其是 tool call)上還有小坑。
編輯觀點
這份盤點最大的價值不是結論,而是 HF 敢把「開源還有差距」寫進自家部落格。
平台方出報告,通常會把開源捧上天,把差距往「未來可期」圓。HF 這份沒這樣做,agentic tool use 和長 context 的差距直接列出來。這種誠實在 2026 年其實挺稀缺。
但同時要提防立場偏移。HF 押注開源生態,這份報告的「差距」會用最保守的口徑描述——5% 叫「接近」,15% 叫「還有空間」。換成 Anthropic 或 OpenAI 來寫,同樣的數字會變成「開源在 X 上落後一代」。
我的判斷是:中國系開源模型在 2026 H1 已經事實上超越 Llama,這個趨勢不可逆。但開源整體要追上 GPT-5 / Claude 4.5 的 frontier,主要瓶頸不在模型權重,而在工具生態與分發通路——這兩塊閉源廠商牢牢把持。
不確定的地方:盤點裡的具體數字我沒有逐條跑 benchmark 覆核,可能存在為了「政治正確」調整過的痕跡。下份盤點出來前,我會盯一下 Stanford HELM 和 lmsys arena 的同期數據做對照。
引用來源: