Alibaba ogłosiła, że jej otwarte modele z rodziny Qwen przekroczyły 3 miliardy pobrań na całym świecie w ciągu ostatnich sześciu miesięcy. Firma z Hangzhou podała też, że udostępniła ponad 460 modeli, a społeczność zbudowała na nich ponad 300 tysięcy wariantów pochodnych.
Kluczowe fakty:
- Alibaba poinformowała o ponad 3 miliardach globalnych pobrań modeli z rodziny Qwen w ciągu ostatnich sześciu miesięcy, jednak Hugging Face w swoim raporcie za pierwsze siedem miesięcy 2026 roku odnotował dla Qwena około 2 miliardów pobrań wyłącznie w ramach własnej platformy.
- Według raportu Hugging Face, Qwen znacząco wyprzedza konkurencję pod względem pobrań – Google uzyskał w 2026 roku 418 milionów pobrań, Meta 227 milionów, a Moonshot AI jedynie 37 milionów.
- Na platformie Hugging Face społeczność zbudowała ponad 151 tysięcy modeli pochodnych opartych na Qwenie, co świadczy o szerokim wykorzystaniu tych modeli jako bazy do dalszego rozwoju.
Liczby trafiły najpierw do Bloomberga w oświadczeniu przesłanym mailem, dzień po tym, jak Hugging Face opublikował swój półroczny raport o stanie otwartych modeli. I to właśnie ten raport, a nie komunikat Alibaby, jest tu ciekawszym dokumentem. Bo pokazuje, skąd te pobrania naprawdę płyną i co znaczą.
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Trzy miliardy według Alibaby, dwa według Hugging Face
Zacznijmy od rozbieżności, którą łatwo przeoczyć. Alibaba mówi o 3 miliardach pobrań globalnie. Raport Hugging Face za pierwsze siedem miesięcy 2026 roku podaje dla Qwena 2045 milionów pobrań w repozytoriach z zadeklarowaną liczbą parametrów, czyli 2061 milionów licząc wszystko. Różnica bierze się z kanałów dystrybucji: Alibaba sumuje pobrania z wielu platform, Hugging Face liczy wyłącznie ruch na własnym Hubie. Firma nie ujawniła metodologii swojego wyliczenia, więc bezpieczniej traktować 3 miliardy jako liczbę marketingową, a dane Hugging Face jako weryfikowalne.
Nawet po tej korekcie skala robi wrażenie. Google zanotował w 2026 roku 418 milionów pobrań, Meta 227 milionów. Moonshot AI, który postawił wszystko na modele frontierowe, zebrał w tym samym czasie 37 milionów pobrań, czyli około 55 razy mniej niż Qwen.
Sam raport Hugging Face zawiera zresztą ostrzeżenie, które warto przeczytać uważnie: pobrania mierzą aktywność na Hubie, a nie użycie przez API, wdrożenia prywatne czy dystrybucję innymi kanałami. To nie jest udział w rynku. To jest liczba uruchomień git pull w konkretnym miejscu internetu.
Qwen wygrywa nie premierami, tylko tym, co robią z nim inni
Najmocniejszy argument za pozycją Qwena nie leży w liczbie pobrań, tylko w liczbie modeli pochodnych. Tu dane są jednoznaczne:
- 151 448 modeli pochodnych opartych na Qwenie w serwisie Hugging Face, co daje 2,6 raza więcej niż cały dorobek Mety i 4,7 raza więcej niż same repozytoria Llamy
- Google na drugim miejscu z 82 506 pochodnymi
- od 180 do 210 nowych repozytoriów pochodnych dziennie przez siedem miesięcy tego roku
- 28 531 konwersji do formatu GGUF, z czego sam zespół Qwena opublikował 54
- 39,6 miliona pobrań GGUF miesięcznie wobec 20,8 miliona dla Gemmy i 7,5 miliona dla Llamy
Ta ostatnia para liczb jest najbardziej wymowna. Autorzy raportu zwracają uwagę, że repozytoriów GGUF opartych na Llamie jest nieco więcej niż tych opartych na Qwenie. Ta sama półka w sklepie, jedna piąta ruchu.
Raport Hugging Face podsumowuje to jednym zdaniem: „Qwen stał się częścią domyślnego procesu pracy programistów decydujących, co dostroić i wdrożyć” / „Qwen has become part of the default workflow for developers deciding what models to fine-tune and deploy.”
Ekosystem zbudowała społeczność, nie Alibaba. Te 151 tysięcy pochodnych to praca innych ludzi. Firma dostarczyła fundament, regularny kalendarz wydań i licencję, która nikomu nie przeszkadza.
Uważam, że w tej historii najmniej interesujące są same trzy miliardy. Liczba pobrań to metryka, którą da się rozgrzać na wiele sposobów, a Alibaba akurat teraz ma powód, żeby ją pokazywać: wyniki za kwartał czerwcowy publikuje 20 sierpnia i inwestorzy będą pytać, czy inwestycje w AI zaczynają się zwracać.
Ciekawsze jest to, co dzieje się poniżej. Chińskie laboratoria wydają swoje największe modele na licencjach Apache 2.0 i MIT, czyli oddają je za darmo na najbardziej liberalnych warunkach, jakie istnieją. Amerykańskie laboratoria w tym samym przedziale wielkości robią to rzadziej. Skoro nikt nie zarabia na licencji, pieniądz musi być gdzie indziej: w chmurze, w sprzęcie, w pozycji ekosystemowej. Kto ustawia się jako domyślny fundament, ten później dyktuje warunki na wszystkich piętrach nad sobą.
Mam z tym jeden problem i nie chcę go ukrywać. Otwarte wagi to nie jest to samo co przejrzystość. Nie znamy zbiorów treningowych Qwena, nie znamy pełnej procedury dostrajania, nie wiemy, jakie decyzje zapadły przy filtrowaniu danych. Model, który stał się bazą dla 150 tysięcy pochodnych, jest infrastrukturą. A o infrastrukturze wypadałoby wiedzieć więcej niż to, że działa i jest darmowa.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Opisz krótko, czego potrzebujesz. Jesteśmy największym HUB-em AI w Polsce — w naszej bazie znajdziesz blisko 500 zweryfikowanych firm specjalizujących się w AI. W Twoim imieniu poprosimy 3-5 dopasowanych wykonawców o kontakt w ciągu 48 godzin.
Licencja przestała być modelem biznesowym
Dane o licencjach z raportu Hugging Face są chyba najbardziej niedoceniane w całej tej historii. Na 178 chińskich wydań modeli powyżej 20 miliardów parametrów w tym roku 59 procent nosi licencję Apache 2.0, a 22 procent licencję MIT. Ani jedno nie ma ograniczenia niekomercyjnego. DeepSeek i Z.ai udostępniają modele od 700 miliardów do 1,65 biliona parametrów na zwykłym MIT.
Po amerykańskiej stronie w tym samym przedziale wielkości Apache lub MIT to 29 procent, 41 procent działa na własnych warunkach firmy, a 30 procent nie deklaruje licencji w ogóle.
Warto zestawić to z ogólnym rozkładem ruchu. Modele poniżej miliarda parametrów zebrały 83 procent wszystkich pobrań w historii serwisu, a wszystko powyżej 100 miliardów parametrów tylko 1 procent. W samym 2026 roku modele większe niż 70 miliardów parametrów odpowiadają za 3 procent wolumenu. Gigantyczne modele są tematem rozmów. Pracę wykonują małe.
Ameryka nie zniknęła, przeprowadziła się do producentów sprzętu
Raport pokazuje jeszcze jedno przesunięcie, które w Polsce prawie w ogóle nie było komentowane. Dwie organizacje publikujące najwięcej nowych otwartych modeli w tym roku to AMD i NVIDIA, każda z ponad 200 nowymi repozytoriami. Trzeci jest LiquidAI z około setką. Google i Meta wypadły wyraźnie poniżej NVIDII.
Producenci sprzętu zrozumieli, że otwarty model zoptymalizowany pod ich układy jest najtańszym dowodem, że te układy działają. Na poziomie modeli frontierowych obraz jest jednak inny. Większość amerykańskich wydań powyżej 100 miliardów parametrów to nie nowe modele, tylko konwersje chińskich. Oryginalnych konstrukcji w tej skali jest kilka: Inkling od Thinking Machines (952 miliardy parametrów), Nemotron 3 Ultra od NVIDII (561 miliardów), Nemotron 3 Super (124 miliardy) i Trinity-Large od Arcee AI (399 miliardów).
AMD wniosło dużo konwersji i żadnego oryginalnego modelu w tej skali. To warstwa dystrybucji i optymalizacji, nie tworzenia.
Bielik mówi po polsku, ale fundament ma chiński
I tu dochodzimy do miejsca, w którym ta historia przestaje być egzotyką z drugiego końca świata. Bielik w wersji trzeciej, w wariantach 1,5 i 4,5 miliarda parametrów, jest oparty na modelu fundamentalnym Qwen 2.5 z własnym tokenizerem dostosowanym do polszczyzny. Fundacja SpeakLeash i ACK Cyfronet AGH nie wybrały Llamy ani Mistrala, na którym stały wcześniejsze wersje. Wybrały Qwena.
Powód jest prozaiczny i dokładnie taki, jaki opisuje raport Hugging Face. Apache 2.0 zdejmuje wszystkie pytania prawne, rodzina obejmuje modele od poniżej miliarda parametrów w górę, a kadencja wydań jest przewidywalna. Dla zespołu, który buduje model narodowy z ograniczonym budżetem obliczeniowym, to argumenty nie do przebicia.
Ale skoro polska cyfrowa suwerenność stoi na chińskim fundamencie, to pytanie o audyt tego fundamentu przestaje być teoretyczne. Instytucja publiczna wdrażająca Bielika w ramach RODO i AI Act musi wiedzieć, co dokładnie kupuje. Ryzyko nie leży w tym, że model jest chiński. Leży w tym, że nikt, łącznie z jego twórcami, nie potrafi w pełni odtworzyć, co znalazło się w danych treningowych warstwy bazowej.
Polski rynek już to zresztą zauważył. Pisaliśmy o tym przy okazji premiery serii Qwen 3.5, gdzie model z 3 miliardami aktywnych parametrów pokonał poprzednika z 22 miliardami. Dla firm liczących koszty wdrożenia w złotówkach, a nie w dolarach, taka arytmetyka decyduje o wszystkim.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Nowy użytkownik nie jest człowiekiem
Na koniec dane, które w raporcie pojawiły się po raz pierwszy. Hugging Face zaczął mierzyć ruch generowany przez agentów kodujących wywołujących Hub. W lipcu Claude Code odpowiadał za 44,4 procent tego ruchu, ale w kwietniu było to 67,8 procent, a w maju 6,4 procent. Codex piął się stabilnie z 10,4 do 20,8 procent.
Prawie jedna czwarta ruchu oznaczonego jako agentowy pochodziła w lipcu z narzędzi, których nie ma jeszcze w rejestrze. W maju ten odsetek wynosił 59,8 procent. Nowi gracze pojawiają się szybciej, niż ktokolwiek zdąży ich skatalogować.
Po raz pierwszy w historii serwisu agenci są użytkownikiem numer jeden. Jeśli ta warstwa dalej rośnie w takim tempie, to pytanie o to, który model pobiera najwięcej ludzi, zacznie być pytaniem archaicznym. Liczyć się będzie, który model wybierają maszyny wybierające za ludzi.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz materiałów źródłowych, w tym raportu State of Open Models: Summer 2026 opublikowanego przez Hugging Face 14.08.2026 i artykułu Bloomberga autorstwa Sarithy Rai z 15.08.2026, w którym Alibaba przekazała dane o pobraniach w oświadczeniu przesłanym redakcji. Wykorzystano również doniesienia Fortune, Business Standard i PYMNTS. Informacje o architekturze Bielika w wersji trzeciej pochodzą z dokumentacji projektu SpeakLeash. Cytat z raportu Hugging Face został zweryfikowany z oryginalnym anglojęzycznym materiałem źródłowym. Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl. Artykuł będzie aktualizowany w miarę pojawiania się nowych danych o pozycji Qwena i otwartych modeli na rynku.
