Die KI-Modelle, über die in der Branche am meisten gesprochen wird, sind nicht diejenigen, mit denen Entwickler tatsächlich arbeiten. Das legen neue Auswertungen der Plattform Hugging Face nahe, auf der Entwickler KI-Modelle veröffentlichen, teilen und herunterladen können. Das Unternehmen verglich die 25 in diesem Jahr am häufigsten heruntergeladenen Modelle mit den 25 Modellen, die die meisten „Likes“ erhielten. Das Ergebnis: eine klare Trennung zwischen den Modellen, für die sich die Community begeistert, und jenen, auf die sie sich im Alltag verlässt. Nur ein einziges Modell schaffte es auf beide Listen.
- Beim Vergleich der 25 meistgeladenen mit den 25 meistgelikten Modellen tauchte nur ein Modell auf beiden Listen auf.
- Kein einziges im Jahr 2026 veröffentlichtes Modell schaffte es in die Download-Top-25, dafür stammten 13 der 25 aus dem Jahr 2022.
- Modelle mit weniger als einer Milliarde Parametern machen 83 Prozent aller jemals getätigten Downloads aus.
Ein Like bedeutet Aufmerksamkeit, ein Download bedeutet Einsatz
Der Unterschied zwischen beiden Kennzahlen ist zentral. Ein Like signalisiere, dass eine Veröffentlichung als bedeutsam gilt, schreiben die Forscher von Hugging Face. Ein Download hingegen könne bedeuten, dass ein Modell fest „in eine Pipeline eingebaut ist, die nach einem Zeitplan läuft“ – also produktiv genutzt wird.
Die Branche fixiert sich traditionell auf die neuesten Spitzenmodelle: die größten Veröffentlichungen, die besten Benchmark-Werte, die Starts, die soziale Netzwerke dominieren. Entwickler dagegen bleiben oft bei kleineren und älteren Modellen, die günstig, stabil und bereits in bestehende Systeme integriert sind.
Ein Paradebeispiel ist All-MiniLM-L6-v2, ein schnelles, leichtgewichtiges Modell, das Sentence Transformers bereits 2021 veröffentlichte. Es wurde in den ersten sieben Monaten des Jahres 2026 rund 1,55 Milliarden Mal heruntergeladen – bei lediglich 5.156 Likes.
Kleine Modelle dominieren, obwohl große den Hype ernten
Die Zahlen widersprechen dem Bild, das die öffentliche Debatte prägt. Kleinere Modelle mit weniger als einer Milliarde Parametern – jenen numerischen Werten, die ein Modell während des Trainings lernt und die bestimmen, wie es Ergebnisse verarbeitet und erzeugt – stehen für 83 Prozent aller jemals getätigten Downloads unter den Repositories, die ihre Parameterzahl offenlegen. Sehr große Modelle mit mehr als 100 Milliarden Parametern kommen dagegen nur auf ein Prozent. Selbst wenn Hugging Face allein die 2026 angefallenen Downloads betrachtet, entfallen auf Modelle mit mehr als 70 Milliarden Parametern nur drei Prozent.
Ausgerechnet die gigantischen Modelle, die vor allem aus chinesischen Laboren für Schlagzeilen sorgen, spielen in der tatsächlichen Nutzung eine untergeordnete Rolle.
Anbieter wie Moonshot AI, MiniMax, Xiaomi und Z.ai haben laut Hugging Face kaum kleine Modelle unter 70 Milliarden Parametern veröffentlicht; einige gingen weit über eine Billion Parameter hinaus. Moonshots Kimi K3 etwa erschien mit 2,8 Billionen Parametern und sorgte im Silicon Valley für Aufsehen – wegen seiner Programmierleistung und des niedrigeren Preises. Doch pro Like verzeichnete das Modell nur rund 60 Downloads, was Hugging Face als niedrig einstuft.
Einen anderen Weg geht die Qwen-Reihe von Alibaba, die ein breiteres Spektrum an Modellgrößen abdeckt. Diese Vielfalt habe Qwen laut Hugging Face zu einem festen Bestandteil des „Standard-Workflows“ vieler Entwickler beim Feintuning und beim Einsatz gemacht. In Zahlen: Qwen-Modelle kamen 2026 auf rund zwei Milliarden Downloads – etwa 55-mal so viele wie Moonshots 37 Millionen.
Was das für den Umgang mit KI in Unternehmen bedeutet
Für Firmen, die KI einsetzen, unterstreicht die Auswertung, dass Bekanntheit und praktischer Nutzen zwei verschiedene Dinge sind. Wer ein Modell produktiv betreibt, achtet eher auf Kosten, Stabilität und Integrierbarkeit als auf den letzten Benchmark-Rekord. Das zeigt sich auch daran, wie Unternehmen KI ausrollen: Pinterest etwa erklärte gegenüber Business Insider, man verfolge einen „modell-agnostischen“ Ansatz – eigene Modelle für die Personalisierung, quelloffene Modelle dort, wo sie wirtschaftlich günstiger sind, und geschlossene Modelle dort, wo sie am besten abschneiden.
Setzen Sie in Ihren Projekten eher auf die neuesten Spitzenmodelle oder auf bewährte, kleinere Alternativen? Teilen Sie Ihre Erfahrungen in den Kommentaren.
