Qwen passerer 3 milliarder nedlastinger – slår Meta og Google

Alibabas Qwen-modeller har passert 3 milliarder nedlastinger på seks måneder og gått forbi både Google og Meta. I Hugging Faces måling er Qwen dermed verdens mest nedlastede åpne AI-familie. For alle som følger lokale modeller, er dette et kraftig signal om hvilke modellfamilier utviklere faktisk henter og bygger videre på.

Tallet er voldsomt. I den samme seksmånedersperioden hadde Google 418 millioner nedlastinger, mens Meta sto på 227 millioner. Qwen er dermed ikke bare litt foran. Alibaba har fått et forsprang som ville sett ut som en tastefeil for et år siden.

Men 3 milliarder nedlastinger betyr ikke 3 milliarder brukere, og det betyr heller ikke at Qwen automatisk er den beste modellen til alt. Tallet viser først og fremst enorm distribusjon og aktivitet rundt modellfamilien. Sammen med de mange avledede modellene er det et sterkt tegn på at Qwen brukes som byggeklosser, ikke bare som produkter folk prøver én gang og glemmer.

Hva betyr 3 milliarder Qwen-nedlastinger?

Qwen passerte 3 milliarder globale nedlastinger i løpet av seks måneder, ifølge Bloombergs omtale publisert 15. august 2026. I samme periode registrerte Hugging Face 418 millioner nedlastinger for Google og 227 millioner for Meta. Qwen hadde altså mer enn sju ganger Googles tall og over 13 ganger Metas.

Veksten har også gått fryktelig fort. Alibaba oppga at Qwen passerte 1 milliard kumulative nedlastinger på Hugging Face 21. januar 2026. Den nye målingen, publisert i august, viser mer enn 3 milliarder nedlastinger i løpet av de siste seks månedene.

Det er lett å avfeie dette som enda en gigantisk AI-statistikk. Det bør vi ikke gjøre. Nedlastingstall alene sier lite om kvalitet, men forskjellen mellom Qwen og de tidligere lederne er nå så stor at den forteller oss noe om utbredelse. Familien spenner over språkmodeller, kode, syn, lyd, embeddings og andre oppgaver. Det ser vi også i modeller som Qwen3.5 Omni for lyd, bilde og tale og Alibabas Happy Horse-modell for AI-video.

Tre milliarder nedlastinger er ikke tre milliarder mennesker

Hugging Face teller modellnedlastinger gjennom forespørsler til bestemte tellefiler i et modellarkiv. Plattformens egen dokumentasjon om nedlastingstall forklarer at både GET- og HEAD-forespørsler til disse filene teller. Tallene blir ikke ryddet ned til unike personer, bedrifter eller faktiske installasjoner.

En utvikler kan laste ned flere Qwen-modeller, hente samme modell på flere maskiner eller gjenta en forespørsel over tid. CI-systemer og andre automatiserte arbeidsflyter kan også stå for mange nedlastinger. Hugging Face bruker egne tellefiler nettopp for å unngå at alle filene i en modell blir dobbelttelt, men målingen er fortsatt ikke et brukertall. Derfor er det direkte feil å oversette 3 milliarder nedlastinger til 3 milliarder mennesker.

Likevel er målemetoden den samme typen for alle aktørene på Hugging Face. Den er ikke perfekt, men den er nyttig når forskjellene er så store. Hvis automatiserte systemer henter Qwen langt oftere enn Llama og Gemma, er nettopp det en del av historien. Modeller som ligger under panseret i programvare, kodeverktøy og serverjobber trenger ikke ha en synlig sluttbruker for å være viktige.

Jeg ville derfor ikke brukt tallet som bevis på at Qwen har milliarder av fans. Det har den ikke. Jeg ville brukt det som bevis på at Qwen har blitt infrastruktur. Det er mindre prangende, men langt mer interessant.

Hvorfor har Qwen vokst så raskt?

Alibaba har sluppet mer enn 460 Qwen-modeller, og økosystemet har passert 300 000 avledede modeller. Det gir utviklere et stort spenn av størrelser, formater og spesialiseringer. De kan finne en modell som passer maskinvaren og oppgaven, i stedet for å presse alt gjennom én enorm flaggskipmodell.

Dette er viktig i praksis. En liten modell kan være bedre egnet til klassifisering, dokumentbehandling eller et avgrenset agentsteg enn en kostbar modell med hundrevis av milliarder parametere. En kvantisert utgave kan kjøre på lokal maskinvare, mens en større variant kan legges på en kraftig server. Qwen-familien dekker begge ender og mye av området mellom dem.

Hugging Face dokumenterte allerede våren 2026 at Alibaba hadde flere avledede modeller enn Google og Meta til sammen. Qwen alene sto da for over 113 000 direkte derivater og mer enn 200 000 repositories som tagget familien. I Hugging Faces gjennomgang av det åpne økosystemet blir Qwen beskrevet som en familie som sprer seg gjennom mange størrelser, oppgaver og modaliteter, ikke som én enkelt modell som skal gjøre alt.

Det er en ganske fornuftig strategi. Små og mellomstore modeller er ofte lettere å laste ned, kjøre og bygge inn i eksisterende systemer. Hugging Face fant at gjennomsnittsstørrelsen på nedlastede åpne modeller steg fra 827 millioner parametere i 2023 til 20,8 milliarder i 2025, men medianen økte bare fra 326 til 406 millioner. De største modellene trekker opp gjennomsnittet, mens mye av den faktiske aktiviteten fortsatt skjer rundt mindre modeller.

Fra modellutgivelse til et helt økosystem

En modellfamilie blir virkelig verdifull når andre begynner å bygge videre på den. De 300 000 avledningene rundt Qwen omfatter finjusteringer, kvantiseringer, sammenslåtte modeller og utgaver for bestemte språk eller oppgaver. Det betyr at Alibaba ikke trenger å lage hver eneste variant selv. Fellesskapet fyller ut kartet.

Dette ligner mer på hvordan et programvareøkosystem vokser enn på en vanlig produktlansering. Den opprinnelige leverandøren lager grunnlaget, mens andre optimaliserer det for ulike maskiner og behov. Resultatet er at Qwen kan dukke opp som en skjult komponent i et verktøy uten at brukeren aktivt har valgt «Alibaba» fra en meny.

På jansverre.net har jeg tidligere skrevet om flere deler av den bredden. Qwen3.6-Plus rettet seg mot agentarbeid med svært lang kontekst, mens NVIDIAs NVFP4-utgave av Qwen3.6-27B viste hvordan maskinvareleverandører optimaliserer modellene videre. Familien omfatter også bildeverktøy som Qwen Image Edit 2511 for lokal bilderedigering.

Det er den bredden som gjør 3 milliarder-tallet troverdig som økosystemmål. Det er ikke én modell som er lastet ned 3 milliarder ganger. Det er en stor familie som har funnet veien inn i mange forskjellige arbeidsflyter.

Hva betyr dette for Meta og Google?

Qwens ledelse betyr at Meta ikke lenger kan lene seg på Llamas navn alene. Llama var med på å gjøre åpne språkmodeller til et massefenomen, men et forsprang varer bare så lenge utviklerne fortsetter å velge plattformen. Når Qwen får langt flere nedlastinger og avledede modeller, flyttes nettverkseffekten.

Google har en annen posisjon fordi selskapet både lager åpne Gemma-modeller og selger tilgang til lukkede Gemini-modeller. Likevel er 418 millioner mot Qwens 3 milliarder et tydelig tegn på at Gemma ikke har samme tyngde i det åpne modellmarkedet akkurat nå. Google har fortsatt enorme distribusjonskanaler, men utviklernes frie valg på Hugging Face peker i en annen retning.

Det mest slående er tempoet. Da Qwen-organisasjonen på Hugging Face ble bygget opp, konkurrerte den mot etablerte familier med et betydelig forsprang. Nå har Alibaba snudd tabellen. Det er et godt eksempel på hvor raskt makt kan flytte seg når modellvekter, verktøystøtte og avledede varianter er tilgjengelige for alle.

Jeg er fortsatt skeptisk til å gjøre popularitet til et kvalitetsstempel, særlig når vi snakker om kinesiske modeller. Lisens, databehandling, modellkort og egnethet må vurderes i hver enkelt bruk. Men skepsis er ikke det samme som å late som tallene ikke finnes. I denne målingen har Alibaba truffet utviklermarkedet bedre enn konkurrentene. Punktum.

Hva bør du se etter før du velger en Qwen-modell?

Start med oppgaven og maskinvaren, ikke med den største modellen du finner. Skal modellen klassifisere korte tekster, lage embeddings eller utføre ett avgrenset steg i en arbeidsflyt, kan en liten variant være både raskere og billigere å drifte. Skal den kode, analysere bilder eller håndtere lange dokumenter, trenger du en modell som faktisk er laget og testet for det.

Sjekk deretter lisensen for den konkrete utgaven. «Qwen» er en familie, og «åpen» brukes altfor løst i AI-bransjen. Åpne vekter betyr at du kan laste ned og kjøre modellen, men ikke nødvendigvis at treningsdata, hele treningsoppskriften og alle mellomresultater er publisert. En avledet modell kan dessuten ha andre vilkår enn modellen den bygger på.

Les modellkortet, se hvem som har publisert varianten, og kontroller hvilket format og hvilken presisjon du får. En offisiell modell fra Qwen-organisasjonen er ikke det samme som en tilfeldig kvantisering fra en ukjent konto. For bedriftsdata bør du også teste modellen lokalt på egne, ufarlige eksempler før den får tilgang til dokumenter, kode eller automatiserte handlinger.

Og ikke velg etter nedlastingstall alene. Tre milliarder nedlastinger forteller at Qwen-økosystemet er modent nok til å tas alvorlig. Det forteller ikke hvilken variant som passer jobben din. Den vurderingen må fremdeles gjøres på bakken, med faktisk maskinvare og faktiske oppgaver.

Qwen har blitt en grunnmur for åpne AI-modeller

Det viktigste med denne milepælen er ikke at Alibaba kan skrive «nummer én» i en presentasjon. Qwen har fått den typen utbredelse som gjør en modellfamilie selvforsterkende. Flere nedlastinger gir flere tilpasninger, mer verktøystøtte og flere utviklere som allerede kjenner arkitekturen. Det gjør terskelen lavere for den neste som vurderer å bruke modellen.

Meta viste tidlig hvor mye en åpen modellutgivelse kunne flytte hele AI-feltet. Nå er Qwen i ferd med å ta den rollen i den praktiske hverdagen rundt lokale og åpne modeller. Jeg hadde ikke avskrevet Llama, Gemma eller de andre av den grunn. Men de konkurrerer ikke lenger mot en lovende kinesisk utfordrer. De konkurrerer mot verdens mest nedlastede åpne modelløkosystem.

Det er verdt å stoppe opp ved. For mens de lukkede gigantene diskuterer hvem som har den smarteste modellen denne måneden, har Alibaba fått Qwen inn i verktøykassene til utviklere over hele verden. Den typen distribusjon er vanskelig å benchmarke seg ut av.

Ofte stilte spørsmål