En topplista-historia med fel rubrik

Alibabas Qwen-familj passerade 3 miljarder sammanlagda nedladdningar under de sex månaderna fram till mitten av augusti 2026, en siffra som företaget bekräftade för Bloomberg i ett skriftligt uttalande, tillsammans med en räkning på mer än 460 öppna modeller och över 300 000 harledda modeller byggda ovanpå dem. Nästan alla medier som skrev om det publicerade en variant av samma rubrik: Qwen har gått om Google och Meta tillsammans och blivit världens mest nedladdade familj av öppna AI-modeller.

Den vinkeln behandlar historien som en topplista. Hugging Faces egen rapport, "State of Open Models: Summer 2026 Observations", publicerad den 14 augusti 2026 och den direkta källan bakom det mesta av rapporteringen, berättar en mer precis historia. Qwen står för 151 448 harledda repositorier på Hugging Face Hub, 2,6 gånger Metas hela fotavtryck och 4,7 gånger antalet Llama-specifika repositorier, och drar 39,6 miljoner GGUF-nedladdningar i månaden, mot 20,8 miljoner för Googles Gemma och 7,5 miljoner för Llama. Googles egna modeller ligger på andra plats i antal harledningar med 82 506 repositorier; Metas beräknade fotavtryck ligger runt 58 249. Skillnaden är inte liten.

Koncentration, inte mångfald, är den verkliga siffran

Detaljen som varje sammanfattning hoppade över är formen på fördelningen, inte vinnaren. Hugging Faces rapport konstaterar att 85,6 procent av alla modeller på Hub har farre än 200 nedladdningar under hela sin livstid, och att 1,5 procent av repositorierna står för 99,2 procent av alla nedladdningar. Modeller under 1 miljard parametrar står för 83 procent av alla nedladdningar någonsin. Sammantaget är det "öppna modellekosystemet" som ofta beskrivs som vidsträckt och varierat, i den nedladdningsviktade verkligheten, en handfull checkpoints som nästan alla faktiskt använder, och Qwen-harledningar står nu i centrum av den handfullen och växer med ungefär 180 till 210 nya repositorier om dagen under de första sju månaderna av 2026.

För ett europeiskt utvecklingsteam väger den koncentrationen tyngre än själva milstolpen. "Vi utvärderade flera öppna modeller" och "vi standardiserade på en utländsk leverantörs checkpoint, tre finjusteringslager från den ursprungliga utgåvan" beskriver samma praktiska resultat för de flesta team som bygger på Hugging Face idag. Den andra beskrivningen är den som väger juridiskt tungt.

Efterlevnadsutlösaren som är inbyggd i finjusteringen

EU:s AI-forordning behandlar inte varje företag som rör en AI-modell för allmänna ändamål som en passiv användare. Enligt artikel 3.23 och skäl 109 i forordningen, samt punkt 62 i det europeiska AI-kontorets GPAI-riktlinjer, kan ett nedströms företag som ändrar en AI-modell för allmänna ändamål självt bli "leverantör" av den modellen, med de skyldigheter som statusen medför, om ändringen bedöms vara "väsentlig". AI-kontoret har satt en vägledande gräns för den bedömningen: tränings-beräkningskraft som motsvarar ungefär en tredjedel eller mer av den beräkningskraft som ursprungligen användes för att träna basmodellen. Under den gränsen betraktas prompting, retrieval-augmented generation och lätt hyperparameterjustering som icke-väsentliga. Över den antas finjustering och destillation vara väsentliga, och fullständiga arkitekturändringar är det alltid.

Att korsa den gränsen lägger inte hela den efterlevnadsbörda som Alibaba bar som Qwens ursprungliga leverantör på ett team. Skäl 109 begränsar de ärvda skyldigheterna, framst teknisk dokumentation och en sammanfattning om upphovsrättslig efterlevnad, till den del av modellen som faktiskt ändrats. Men det är fortfarande en verklig, bindande skyldighet som uppstår automatiskt, baserad på ett beräkningsförhållande som de flesta finjusteringsteam aldrig har räknat ut mot sin basmodells tränings-FLOP, långt mindre dokumenterat i en efterlevnadsakt.

Vad en europeisk AI-ansvarig egentligen bör kontrollera

EU-kommissionen har offentligt sagt att den förväntar sig att "bara ett fatal ändrare" av AI-modeller för allmänna ändamål korsar gränsen för väsentlig ändring och själva blir leverantörer. Den förväntningen är ett policyantagande, inte en garanti, och den bygger uttryckligen på en gräns som AI-kontoret självt kallar vägledande och inte definitiv, och som kommissionen erkänner kan missa ändringar med lägre beräkningskraft som ändå påverkar en modells förmåga eller riskprofil på ett betydande sätt.

Servolas egen tolkning är praktisk snarare än alarmistisk: milstolpen på 3 miljarder nedladdningar är inte i sig en varning, men det är en anledning att agera. Varje europeiskt team som kör produktionsfinjusteringar eller destillationer på Qwen, eller på någon annan populär öppen basmodell, har nu ett konkret skäl att kontrollera var dess senaste träningskörning låg i förhållande till en-tredjedels-beräkningsgränsen, och att spara den siffran, för AI-forordningen har redan gett Bryssel befogenheten att fråga efter den, och ett beräkningsförhållande som ingen har följt är en svag position att försvara sig från.

Läs vidare: Alibaba teg om siffran som sätter er kostnad  |  Den 2 december binder den som kör modellen