AI行业对最新超大模型的追捧，正与实际开发场景中的主流选择拉开距离。Business Insider 17日报道称，Hugging Face对今年下载量前25和点赞数前25的模型进行对比后发现，两份榜单中仅有1款模型同时上榜。

在Hugging Face平台上，点赞更多代表开发者的关注和兴趣，下载量则更能反映模型在实际开发、服务接入和部署环节中的使用情况。尽管行业讨论往往聚焦模型规模和基准测试成绩，但在真实开发环境中，开发者更倾向于选择成本更低、稳定性更成熟的中小模型，以及发布时间较早、经过验证的模型。

一个典型案例是2021年发布的All-MiniLM-L6-v2。该模型以轻量化和响应速度快见长，今年前7个月下载量达到15.5亿次，但点赞数仅为5156个。今年发布的新模型没有一款进入下载量前25；相比之下，下载量前25中有13款是2022年推出的模型。

从参数规模来看，这种差异同样明显。按Hugging Face上已公开参数规模的模型统计，参数低于10亿的小模型占累计下载量的83%；参数超过1000亿的超大模型仅占1%。如果只看今年的下载量，参数在700亿以上的模型占比也只有约3%。

这一现象在押注超大模型的中国AI厂商中同样存在。Moonshot AI的Kimi K3拥有2.8万亿参数，并凭借编码能力和相对低价受到广泛关注，但平均每获得1个点赞，对应的下载量仅约60次。

相比之下，Alibaba通过提供从小型到大型的多种规格Qwen模型，覆盖了更广泛的开发场景。Qwen今年下载量约为20亿次，明显高于Moonshot AI的3700万次，约为后者的55倍。Hugging Face分析认为，多尺寸模型并行的策略，使Qwen在微调和实际部署环节更容易成为开发者的常用选择。

这也意味着，驱动AI市场话题度的往往是最新性能和模型规模，但在真实应用中，成本、稳定性和部署便利性才是决定模型选择的关键因素。以Pinterest为例，该公司会根据成本和性能，组合使用自研模型、开源模型和闭源模型，采取不依赖单一模型的策略，这也从侧面印证了上述趋势。