Een ranglijstverhaal met de verkeerde kop

Alibaba's Qwen-familie kwam in de zes maanden tot half augustus 2026 boven de 3 miljard cumulatieve downloads uit, een cijfer dat het bedrijf tegenover Bloomberg bevestigde in een schriftelijke verklaring, samen met een telling van meer dan 460 open-weight modellen en meer dan 300.000 daarop gebouwde afgeleide modellen. Vrijwel elk medium dat erover berichtte, bracht een variant van dezelfde kop: Qwen is Google en Meta samen voorbijgestreefd en is de meest gedownloade open-weight AI-familie ter wereld geworden.

Die framing behandelt het verhaal als een ranglijst. Het eigen rapport van Hugging Face, "State of Open Models: Summer 2026 Observations", gepubliceerd op 14 augustus 2026 en de directe bron achter het meeste van de berichtgeving, vertelt een preciezer verhaal. Qwen komt op 151.448 afgeleide repositories op de Hugging Face Hub, 2,6 keer de volledige voetafdruk van Meta en 4,7 keer het aantal Llama-specifieke repositories, en trekt 39,6 miljoen GGUF-downloads per maand, tegenover 20,8 miljoen voor Gemma van Google en 7,5 miljoen voor Llama. Google's eigen modellen staan op de tweede plaats qua afgeleiden met 82.506 repositories; de impliciete voetafdruk van Meta ligt rond de 58.249. Het verschil is niet klein.

Concentratie, niet diversiteit, is het echte getal

Het detail dat elk overzicht oversloeg, is de vorm van de verdeling, niet de winnaar. Het rapport van Hugging Face constateert dat 85,6 procent van alle modellen op de Hub minder dan 200 downloads heeft over de hele levensduur, en dat 1,5 procent van de repositories 99,2 procent van alle downloads voor zijn rekening neemt. Modellen onder 1 miljard parameters nemen 83 procent van alle downloads ooit voor hun rekening. Bij elkaar opgeteld is het "open-modelecosysteem" dat vaak wordt omschreven als uitgestrekt en divers, in de door downloads gewogen werkelijkheid een handvol checkpoints die vrijwel iedereen daadwerkelijk gebruikt, en Qwen-afgeleiden staan nu centraal in dat handvol, met een groei van ongeveer 180 tot 210 nieuwe repositories per dag gedurende de eerste zeven maanden van 2026.

Voor een Europees ontwikkelteam telt die concentratie zwaarder dan de mijlpaal zelf. "We hebben verschillende open modellen geëvalueerd" en "we hebben ons gestandaardiseerd op het checkpoint van een buitenlandse leverancier, drie fine-tuninglagen verwijderd van de oorspronkelijke release" beschrijven voor de meeste teams die vandaag op Hugging Face bouwen hetzelfde praktische resultaat. De tweede beschrijving is degene met juridisch gewicht.

De nalevingstrigger die in de fine-tuning verstopt zit

De EU AI Act behandelt niet elk bedrijf dat een AI-model voor algemene doeleinden aanraakt als passieve gebruiker. Volgens artikel 3, lid 23, en overweging 109 van de verordening, en paragraaf 62 van de GPAI-richtsnoeren van het Europees AI-bureau, kan een downstreambedrijf dat een AI-model voor algemene doeleinden wijzigt zelf "aanbieder" van dat model worden, met de verplichtingen die die status met zich meebrengt, als de wijziging als "ingrijpend" wordt beoordeeld. Het AI-bureau heeft daarvoor een indicatieve drempel vastgesteld: trainingsrekenkracht gelijk aan ongeveer een derde of meer van de rekenkracht die oorspronkelijk is gebruikt om het basismodel te trainen. Onder die grens worden prompting, retrieval-augmented generation en lichte hyperparameteraanpassing als niet-ingrijpend beschouwd. Erboven worden fine-tuning en distillatie geacht ingrijpend te zijn, en volledige architectuurwijzigingen altijd.

Het overschrijden van die grens legt een team niet de volledige nalevingslast op die Alibaba als oorspronkelijke aanbieder van Qwen draagt. Overweging 109 beperkt de geërfde verplichtingen, voornamelijk technische documentatie en een samenvatting over auteursrechtelijke naleving, tot het deel van het model dat daadwerkelijk is gewijzigd. Maar het blijft een echte, bindende verplichting die automatisch ontstaat, gebaseerd op een rekenkrachtverhouding die de meeste fine-tuningteams nooit hebben berekend tegenover de trainings-FLOPs van hun basismodel, laat staan vastgelegd in een nalevingsdossier.

Wat een Europese AI-verantwoordelijke echt zou moeten checken

De Europese Commissie heeft publiekelijk verklaard te verwachten dat "slechts weinig wijzigers" van AI-modellen voor algemene doeleinden de drempel van ingrijpende wijziging overschrijden en zelf aanbieder worden. Die verwachting is een beleidsaanname, geen garantie, en berust expliciet op een drempel die het AI-bureau zelf indicatief en niet definitief noemt, en waarvan de Commissie erkent dat die wijzigingen met minder rekenkracht kan missen die toch de capaciteiten of het risicoprofiel van een model wezenlijk veranderen.

Servola's eigen lezing is praktisch in plaats van alarmerend: de mijlpaal van 3 miljard downloads is op zich geen waarschuwing, maar wel een aanleiding. Elk Europees team dat productiefine-tunings of distillaties uitvoert op Qwen, of op elk ander populair open basismodel, heeft nu een concrete reden om te checken waar de laatste trainingsrun stond ten opzichte van de een-derde-rekenkrachtgrens, en om dat getal vast te leggen, want de AI Act heeft Brussel al de bevoegdheid gegeven om ernaar te vragen, en een nooit bijgehouden rekenkrachtverhouding is een zwakke positie om vanuit te verdedigen.

Lees hierna: Alibaba verzweeg het getal dat uw kosten bepaalt  |  2 december bindt wie het model draait