Os downloads do Qwen escondem um vazio legal na UE

Uma história de classificação com o título errado

A família Qwen da Alibaba ultrapassou os 3 mil milhões de downloads acumulados nos seis meses até meados de agosto de 2026, um número que a empresa confirmou à Bloomberg numa declaração por escrito, junto com uma contagem de mais de 460 modelos de pesos abertos e mais de 300.000 modelos derivados construídos sobre eles. Quase todos os órgãos de comunicação que noticiaram o assunto publicaram uma variante do mesmo título: o Qwen ultrapassou a Google e a Meta juntas para se tornar a família de IA de pesos abertos mais descarregada do mundo.

Esse enquadramento trata a notícia como uma classificação. O próprio relatório da Hugging Face, 'State of Open Models: Summer 2026 Observations', publicado a 14 de agosto de 2026 e fonte direta da maior parte da cobertura, conta uma história mais precisa. O Qwen soma 151.448 repositórios derivados no Hub da Hugging Face, 2,6 vezes toda a pegada da Meta e 4,7 vezes o número de repositórios específicos do Llama, e atrai 39,6 milhões de downloads GGUF por mês, contra 20,8 milhões do Gemma, da Google, e 7,5 milhões do Llama. Os próprios modelos da Google ocupam o segundo lugar em derivados, com 82.506 repositórios; a pegada implícita da Meta ronda os 58.249. A diferença não é pequena.

Concentração, não diversidade, é o número que importa

O pormenor que todos os resumos deixaram de fora é a forma da distribuição, não o vencedor. O relatório da Hugging Face constata que 85,6 por cento de todos os modelos no Hub têm menos de 200 downloads em toda a sua vida útil, e que 1,5 por cento dos repositórios concentram 99,2 por cento de todos os downloads. Os modelos com menos de mil milhões de parâmetros representam 83 por cento de todos os downloads de sempre. Em conjunto, o 'ecossistema de modelos abertos', frequentemente descrito como vasto e diversificado, é, na realidade ponderada pelos downloads, uma mão-cheia de checkpoints que quase todos usam de facto, e os derivados do Qwen encontram-se agora no centro dessa mão-cheia, crescendo a um ritmo de cerca de 180 a 210 novos repositórios por dia ao longo dos primeiros sete meses de 2026.

Para uma equipa de engenharia europeia, essa concentração importa mais do que o marco em si. 'Avaliámos vários modelos abertos' e 'padronizámo-nos no checkpoint de um fornecedor estrangeiro, a três camadas de fine-tuning da versão original' descrevem o mesmo resultado prático para a maioria das equipas que hoje constroem sobre a Hugging Face. A segunda descrição é a que tem peso jurídico.

O gatilho de conformidade embutido no fine-tuning

O AI Act europeu não trata qualquer empresa que toque num modelo de IA de finalidade geral como um utilizador passivo. Nos termos do artigo 3, n.º 23, e do considerando 109 do regulamento, e do parágrafo 62 das orientações GPAI do Gabinete Europeu para a IA, uma empresa a jusante que modifique um modelo de IA de finalidade geral pode ela própria tornar-se 'fornecedora' desse modelo, com as obrigações que esse estatuto acarreta, se a modificação for considerada 'substancial'. O Gabinete para a IA fixou um limiar indicativo para essa avaliação: capacidade de cálculo de treino equivalente a cerca de um terço ou mais da capacidade originalmente usada para treinar o modelo de base. Abaixo desse limite, o prompting, a geração aumentada por recuperação e o ajuste ligeiro de hiperparâmetros são considerados não substanciais. Acima dele, presume-se que o fine-tuning e a destilação sejam substanciais, e as alterações completas de arquitetura são-no sempre.

Ultrapassar esse limite não transfere para uma equipa todo o encargo de conformidade que a Alibaba suporta como fornecedora original do Qwen. O considerando 109 limita as obrigações herdadas, sobretudo documentação técnica e um resumo sobre o cumprimento de direitos de autor, à parte do modelo efetivamente modificada. Mas continua a ser uma obrigação real e vinculativa que se aplica automaticamente, com base numa proporção de capacidade de cálculo que a maioria das equipas de fine-tuning nunca calculou face aos FLOPs de treino do seu modelo de base, muito menos registou num dossiê de conformidade.

O que um responsável europeu de IA deveria realmente verificar

A Comissão Europeia declarou publicamente esperar que 'apenas alguns modificadores' de modelos de IA de finalidade geral ultrapassem o limiar da modificação substancial e se tornem eles próprios fornecedores. Essa expectativa é uma hipótese de política, não uma garantia, e assenta explicitamente num limiar que o próprio Gabinete para a IA classifica como indicativo e não definitivo, e que a Comissão reconhece poder não apanhar modificações de menor capacidade de cálculo que, ainda assim, alterem de forma significativa as capacidades ou o perfil de risco de um modelo.

A leitura da Servola é prática, não alarmista: o marco dos 3 mil milhões de downloads não é, por si só, um aviso, mas é um sinal de alerta. Qualquer equipa europeia que execute fine-tunings ou destilações em produção sobre o Qwen, ou sobre qualquer outro modelo de base aberto popular, tem agora um motivo concreto para verificar onde se situou a sua última sessão de treino face ao limiar de um terço da capacidade de cálculo, e para guardar esse número num dossiê, porque o AI Act já deu a Bruxelas a autoridade para o pedir, e uma proporção de capacidade de cálculo que ninguém seguiu é uma posição fraca a partir da qual se defender.

Leia a seguir: Washington Nomeia Seis Modelos De IA Que Já Usa  |  O Qwen que precisava de 2,4 terabytes já tem um que cabe numa GPU