Top 10 오픈소스 AI 모델 동향: Difference between revisions

From HPCWIKI
Jump to navigation Jump to search
(Fix Key Concepts table structure, add HuggingFace Hub links to all model names, add benchmark header links)
(정기 업데이트 2026-10-19: HuggingFace 월간 다운로드 기준 인기 모델 순위 재배치 (Qwen3-14B 2위, DeepSeek-V3.2 6위, DeepSeek-V4-Flash-0731 신규 10위, Ternary-Bonsai-2-27B 이탈). 조사일시·last_update 갱신. LiveCodeBench 코딩 Top 10 변동 없음.)
 
(23 intermediate revisions by the same user not shown)
Line 1: Line 1:
= Top 10 오픈소스 AI 모델 동향 =
= Top 10 오픈소스 AI 모델 동향 =


{{Status
'''상태:''' Active  ·  '''소유:''' Knowledge Agent ·  '''마지막 업데이트:''' 2026-10-19  ·  '''검토:''' Pending
|status=Draft
|owner=Knowledge Agent
|last_update=2026-07-31
|review=Pending
}}


{{TOC}}
== Overview ==


== Overview ==
2026년 10월 현재 '''실제로 많이 사용되고 있는''' 오픈소스 LLM을 다운로드/좋아요 기준, 코딩 벤치마크([https://livecodebench.github.io/leaderboard.html LiveCodeBench]) 기준으로 정리.
HuggingFace Open LLM Leaderboard 기준 상위 10개 오픈소스 AI 모델의 성능, 아키텍처, CO₂ Cost를 종합적으로 분석한 문서입니다. 78B 파라미터 모델이 상위권을 지배하고 있으며, Qwen2.5와 Calme 시리즈가 주요 경쟁구도를 형성하고 있습니다.


=== Summary ===
=== Summary ===
* 무엇인가? — HuggingFace Open LLM Leaderboard의 Overall Average 점수 기준으로 상위 10개 오픈소스 모델을 정리한 벤치마크 분석 문서
* 왜 필요한가? — 모델 선택 시 성능(IFEval, BBH, MATH, GPQA, MMLU-PRO 등)과 환경 비용(CO₂ Cost)을 종합적으로 비교할 수 있는 기준 제공
* 언제 사용하는가? — 새로운 LLM 모델을 도입하거나 기존 모델을 교체할 때, 파라미터 규모별 성능 트렌드를 파악하고 최적 모델 선택 시


* 무엇인가? 2026년 10월 현재 HuggingFace에서 가장 많이 다운로드되는 오픈소스 LLM + LiveCodeBench 코딩 Top 10
* 왜 필요한가? "지금 실제로 뭐를 쓰는가" 파악 → 모델 선택, 로컬 추론 구동 최적화
* 언제 사용하는가? 신규 서버 구축 시 모델 선택, 성능 비교, R&D 방향 참고


=== 조사 정보 ===
=== 조사 정보 ===


* 조사 일자: 2026-07-31 10:00 KST (한국 표준시)
* 조사 일자: 2026-10-19 09:27 KST
* 조사 출처: HuggingFace Open LLM Leaderboard (https://huggingface.co/spaces/open-llm-leaderboard/open_llm_leaderboard)
* 데이터 출처: [https://huggingface.co/models HuggingFace Models] (downloads/likes 실시간 API), [https://livecodebench.github.io/leaderboard.html LiveCodeBench]
* 데이터 기준일: 2026-07-31
* 다음 업데이트 예정: 2026-10-26
* 다음 업데이트 예정: 매주 월요일 09:00 KST (자동)


== Purpose ==
== Purpose ==
이 문서가 존재하는 이유
* Goal: 오픈소스 LLM 모델의 현재 성능 지형을 한눈에 파악하고, 모델 선택 시 데이터 기반 의사결정 지원
* Scope: HuggingFace Open LLM Leaderboard 기준 Overall Average 상위 10개 모델의 벤치마크 점수, 아키텍처, CO₂ Cost 분석
* Non-goals: 폐쇄형 상용 모델(GPT-4, Claude 등) 비교 포함하지 않음 · 실시간 모델 성능 모니터링 대체하지 않음


* Goal: "현재 실제로 쓰이는" 오픈소스 모델 동향을 제공
* Scope: HuggingFace 다운로드/좋아요 기반 인기 모델, LiveCodeBench 코딩 Top 10, 로컬 추론 최적화 참고
* Non-goals: 상용 API 비교, 자체 벤치마크 수행, 중단된 리더보드(Open LLM LB v1) 사용


== Key Concepts ==
== Popular Open Source Models (HuggingFace Downloads/likes 기준) ==
{| class="wikitable"
! 개념 ! 설명 ! 관련 문서
|-
|| [[Parameters|파라미터 수 (Parameters)]] | 모델이 학습한 가중치(Weight)의 총 개수. 일반적으로 파라미터가 많을수록 성능이 우수하나, 추론 비용도 비례하여 증가함
|-
|| [[Overall Average]] | HuggingFace Open LLM Leaderboard의 종합 점수. 여러 벤치마크 지표의 평균값으로 모델의 전반적 성능을 나타냄
|-
|| [[IFEval|IFEval (Instruction Following Evaluation)]] | 모델이 주어진 지시를 얼마나 정확하게 따르는지 평가. 시스템 프롬프트, 제약 조건 준수 능력 측정 | [https://github.com/google-research/google-research/tree/master/instruction_following_eval GitHub]
|-
|| [[BBH|BBH (Big Bench Hard)]] | 23개 난이도 높은 벤치마크의 종합 점수. 논리적 추론, 수학, 코딩 등 고급 추론 능력 평가 | [https://github.com/suzgunmirac/BIG-Bench-Hard GitHub]
|-
|| [[MATH (벤치마크)|MATH]] | 수학 문제 풀이 능력. 대수, 기하, 미적분, 통계 등 다양한 수학 분야의 정확도 측정 | [https://github.com/hendrycks/math GitHub]
|-
|| [[GPQA|GPQA (Graduate-Level Google-Proof Q&A)]] | 대학원 수준의 과학·공학·생물학 지식을 묻는 질문 답변 정확도. 전문 분야 지식 평가 | [https://github.com/idavidrein/gpqa GitHub]
|-
|| [[MUSR|MUSR (Multi-Step Reasoning)]] | 다단계 추론 능력. 여러 단계를 거쳐 결론에 도달하는 문제 해결 능력 측정
|-
|| [[MMLU-PRO|MMLU-PRO]] | Massive Multitask Language Understanding의 고급 버전. 30개 이상의 학문 분야 종합 지식 평가 | [https://github.com/hendrycks/test GitHub]
|-
|| [[CO₂ Cost|CO₂ Cost]] | 모델 추론 시 발생하는 탄소 배출량(kg). 모델 크기, 추론 시간, 사용 GPU에 따라 결정됨
|-
|| [[Fine-tuning|fine-tuned]] | 사전 학습된 베이스 모델을 특정 작업이나 도메인에 맞게 추가 학습한 모델
|-
|| [[Chat model|chat]] | 대화형 인터페이스를 위해 최적화된 모델. 지시 따르기, 다중 턴 대화에 특화됨
|-
|| [[HuggingFace Open LLM Leaderboard]] | HuggingFace에서 운영하는 공식 오픈소스 LLM 벤치마크 플랫폼. IFEval, BBH, MATH, GPQA, MUSR, MMLU-PRO 등 6개 벤치마크의 평균 점수로 모델을 평가. 2026년 5월 기준 Archived 상태. 모든 모델을 동일한 환경에서 동일 조건으로 평가하여 공정한 비교 제공 | [https://huggingface.co/spaces/open-llm-leaderboard/open_llm_leaderboard HuggingFace]
|}
== Top 10 Models ==


HuggingFace Open LLM Leaderboard와 LiveCodeBench 기준 상위 모델을 카테고리별로 정리한 문서입니다. 각 카테고리별로 모델의 특화된 능력을 비교할 수 있습니다.
HuggingFace 전체 text-generation 파이프라인 모델 중 '''월간 다운로드 수''' 기준 Top 10 (tiny/testing·경량 엣지 모델 제외, 7B+ 제품군 기준). 다운로드 수는 HuggingFace API 실시간 값(최근 창 롤링, 주간 변동 가능).


=== General (전체 능력) ===
{| class="wikitable"
 
! Rank
HuggingFace Open LLM Leaderboard 기준 Overall Average 점수 상위 10개 모델 (2026-07-31 기준)
! Model
 
! Params (B)
이 벤치마크는 IFEval, BBH, MATH, GPQA, MUSR, MMLU-PRO 등 6개 지표의 평균 점수로 모델의 전반적 능력을 평가합니다.
! Monthly Downloads
 
! Likes
{| class="wikitable" style="text-align:center; font-size:90%"
! GGUF
! Rank !! Model !! Type !! Average !! [[IFEval|IFEval]] !! [[BBH|BBH]] !! [[MATH (벤치마크)|MATH]] !! [[GPQA|GPQA]] !! [[MUSR|MUSR]] !! [[MMLU-PRO|MMLU-PRO]] !! [[CO₂ Cost|CO₂ Cost]]
! Notes
|-
|-
| 1 || [https://huggingface.co/MaziyarPanahi/calme-3.2-instruct-78b MaziyarPanahi/calme-3.2-instruct-78b] || fine-tuned || 52.08% || 80.63% || 62.61% || 40.33% || 20.36% || 38.53% || 70.03% || 66.01 kg
| 1
| [https://huggingface.co/Qwen/Qwen3-8B Qwen3-8B]
| 8.2
| 9,122,623
| 2,123
| Y
| Qwen3 경량 표준, 1-GPU 충분
|-
|-
| 2 || [https://huggingface.co/MaziyarPanahi/calme-3.1-instruct-78b MaziyarPanahi/calme-3.1-instruct-78b] || chat || 51.29% || 81.36% || 62.41% || 39.27% || 19.46% || 36.50% || 68.72% || 64.44 kg
| 2
| [https://huggingface.co/Qwen/Qwen3-14B Qwen3-14B]
| 14.8
| 8,231,625
| 510
| Y
| 14B급, 1-2 GPU
|-
|-
| 3 || [https://huggingface.co/dfurman/CalmeRys-78B-Orpo-v0.1 dfurman/CalmeRys-78B-Orpo-v0.1] || chat || 51.23% || 81.63% || 61.92% || 40.63% || 20.02% || 36.37% || 66.80% || 25.99 kg
| 3
| [https://huggingface.co/Qwen/Qwen2.5-7B-Instruct Qwen2.5-7B-Instruct]
| 7.6
| 6,865,647
| 2,445
| Y
| 가장 폭넓게 배포된 7B
|-
|-
| 4 || [https://huggingface.co/MaziyarPanahi/calme-2.4-rys-78b MaziyarPanahi/calme-2.4-rys-78b] || chat || 50.77% || 80.11% || 62.16% || 40.71% || 20.36% || 34.57% || 66.69% || 25.95 kg
| 4
| [https://huggingface.co/openai/gpt-oss-20b gpt-oss-20b]
| 20.9 (MoE, active ~2.3)
| 5,894,972
| 5,195
| Y
| OpenAI 오픈웨이트 MoE — active ~2.3B, 1-GPU 경량
|-
|-
| 5 || [https://huggingface.co/huihui-ai/Qwen2.5-72B-Instruct-abliterated huihui-ai/Qwen2.5-72B-Instruct-abliterated] || fine-tuned || 48.11% || 85.93% || 60.49% || 60.12% || 19.35% || 12.34% || 50.41% || 76.77 kg
| 5
| [https://huggingface.co/meta-llama/Llama-3.1-8B-Instruct Llama-3.1-8B-Instruct]
| 8.0
| 5,555,299
| 8,499
| Y
| Meta 공식, likes 최고
|-
|-
| 6 || [https://huggingface.co/Qwen/Qwen2.5-72B-Instruct Qwen/Qwen2.5-72B-Instruct] || chat || 47.98% || 86.38% || 61.87% || 59.82% || 16.67% || 11.74% || 51.40% || 47.65 kg
| 6
| [https://huggingface.co/deepseek-ai/DeepSeek-V3.2 DeepSeek-V3.2]
| 685 (MoE, active ~37)
| 5,232,980
| 1,582
| Y
| DeepSeek 플래그십 MoE, 다중 GPU/데이터센터
|-
|-
| 7 || [https://huggingface.co/MaziyarPanahi/calme-2.1-qwen2.5-72b MaziyarPanahi/calme-2.1-qwen2.5-72b] || chat || 47.86% || 86.62% || 61.66% || 59.14% || 15.10% || 13.30% || 51.32% || 29.50 kg
| 7
| [https://huggingface.co/ornith-ai/Ornith-1.5-9B-GGUF Ornith-1.5-9B (GGUF)]
| 9
| 4,947,211
| 558
| Y
| GGUF 즉시 구동, 로컬 추론 최적화
|-
|-
| 8 || [https://huggingface.co/newsbang/Homer-v1.0-Qwen2.5-72B newsbang/Homer-v1.0-Qwen2.5-72B] || fine-tuned || 47.46% || 76.28% || 62.27% || 49.02% || 22.15% || 17.90% || 57.17% || 29.55 kg
| 8
| [https://huggingface.co/dphn/dolphin-2.9.1-yi-1.5-34b dolphin-2.9.1-yi-1.5-34b]
| 34.4
| 4,696,107
| 82
| Y
| Yi-1.5 기반 34B fine-tune, 2-GPU 권장
|-
|-
| 9 || ehristoforu/qwen2.5-[[test]]-32b-it || chat || 47.37% || 78.89% || 58.28% || 59.74% || 15.21% || 19.13% || 52.95% || 29.54 kg
| 9
| [https://huggingface.co/nvidia/Qwen3.6-35B-A3B-NVFP4 Qwen3.6-35B-A3B (NVFP4)]
| 35 (MoE, active 3B)
| 4,492,157
| 661
| NVFP4
| NVIDIA NVFP4 MoE — active 3B, 1-GPU
|-
|-
| 10 || [https://huggingface.co/Saxo/Linkbricks-Horizon-AI-Avengers-V1-32B Saxo/Linkbricks-Horizon-AI-Avengers-V1-32B] || fine-tuned || 47.34% || 79.72% || 57.63% || 60.27% || 14.99% || 18.16% || 53.25% || 7.95 kg
| 10
| [https://huggingface.co/deepseek-ai/DeepSeek-V4-Flash-0731 DeepSeek-V4-Flash-0731]
| 304 (MoE, active ~7.6)
| 4,244,997
| 4,085
| Y
| DeepSeek 신규 플래그십 경량 MoE — active ~7.6B, 1-2 GPU, 이번 신규 진입
|}
|}


'''General 카테고리 특징''':
=== 인기 모델 분석 ===
* 78B 파라미터 모델이 상위권을 지배 (상위 4위 모두 78B)
* Qwen2.5-72B가 공식 오픈소스 모델 중 최고 성능
* 32B 모델도 경쟁력 있음 (Rank 9, 10)
* CO₂ Cost 효율: 32B 모델이 78B 대비 최대 8배 효율적


=== Coding (코딩 능력) ===
* '''Qwen 계열 강세''': Top 10 중 4개 (Qwen3-8B, Qwen3-14B, Qwen2.5-7B-Instruct, Qwen3.6-35B-A3B)
* '''MoE 모델 대세''': gpt-oss-20b, Qwen3.6-35B-A3B, DeepSeek-V3.2, DeepSeek-V4-Flash — active 파라미터가 적어 1-2 GPU 구동 가능
* '''OpenAI gpt-oss-20b''': 오픈웨이트 MoE, likes 5,195 — OpenAI가 오픈 모델로 본격 진입
* '''DeepSeek-V4-Flash-0731 신규 진입(10위)''': DeepSeek 신규 플래그십 경량 MoE(총 ~304B, active ~7.6B), likes 4,085로 높은 관심 — 1-2 GPU 구동 가능
* '''Qwen3-14B 2위 / DeepSeek-V3.2 6위 상승''': 월간 다운로드 롤링 창 변동에 따른 순위 재배치
* '''Ternary-Bonsai-2-27B 이탈''': 직전(2026-10-12) 10위였으나 이번 다운로드 기준 11위권 밖으로 하락


LiveCodeBench 기준 Pass@1 점수 상위 10개 오픈소스 모델 (2026-07-31 기준)
== Coding: LiveCodeBench Pass@1 ==


LiveCodeBench는 실제 프로그래밍 문제를 해결하는 능력을 평가하는 벤치마크입니다. Easy, Medium, Hard 세 가지 난이도로 구성됩니다.
[https://livecodebench.github.io/leaderboard.html LiveCodeBench] Code Generation 기준 Top 10 (평가 윈도우 2024-08 ~ 2025-05, 오염된 모델 제외). 상용·오픈소스 통합 랭킹.


{| class="wikitable" style="text-align:center; font-size:90%"
{| class="wikitable"
! Rank !! Model !! [[Pass@1|Pass@1]] !! Easy !! Medium !! Hard !! Source
! Rank
|-
! Model
| 1 || [https://huggingface.co/models?search=codestral Codestral-Latest] || 32.2% || 69.0% || 18.7% || 0.9% || Mistral AI
! Pass@1
|-
! Easy
| 2 || [https://huggingface.co/meta-llama/Llama-3.1-70B-Instruct LLaMA-3-70B-Instruct] || 28.3% || 60.7% || 15.8% || 1.4% || Meta
! Medium
|-
! Hard
| 3 || [https://huggingface.co/mistralai/Mixtral-8x22B-Instruct-v0.1 Mixtral-8x22B-Instruct] || 26.4% || 59.8% || 12.7% || 0.0% || Mistral AI
! Type
|-
| 4 || [https://huggingface.co/models?search=dscoder DSCoder-33B-Instruct] || 23.6% || 55.6% || 9.0% || 0.7% || DeepSeek
|-
| 5 || [https://huggingface.co/models?search=opencoder OC-DS-33B] || 21.3% || 53.9% || 5.1% || 0.0% || OpenCoder
|-
| 6 || [https://huggingface.co/Phind/Phind-CodeLlama-34B-v2 Phind-34B-V2] || 21.0% || 53.4% || 4.7% || 0.1% || Phind
|-
| 7 || [https://huggingface.co/models?search=magicoders MagiCoderS-DS-6.7B] || 20.5% || 49.2% || 7.5% || 0.0% || DeepSeek
|-
| 8 || [https://huggingface.co/meta-llama/Llama-3.1-70B LLaMA-3-70B-Base] || 20.1% || 52.2% || 3.2% || 0.6% || Meta
|-
| 9 || [https://huggingface.co/Qwen/CodeQwen1.5-7B-Chat CodeQwen1.5-7B-Chat] || 19.3% || 39.2% || 13.1% || 0.5% || Alibaba (Qwen)
|-
| 10 || [https://huggingface.co/models?search=dscoder DSCoder-6.7B-Instruct] || 19.1% || 46.4% || 5.8% || 0.7% || DeepSeek
|}
 
'''Coding 카테고리 특징''':
* Codestral (Mistral)이 오픈소스 코딩 모델 중 최고 성능
* LLaMA-3-70B-Instruct가 범용 모델 중 코딩 능력 우수
* CodeQwen1.5-7B-Chat은 경량 모델 중 코딩 특화
* Hard 문제 해결률은 모든 모델에서 1% 미만 (현재 한계)
 
=== Edge Devices (경량 모델) ===
 
HuggingFace Open LLM Leaderboard "For Edge Devices" 카테고리 기준 상위 10개 모델 (2026-07-31 기준)
 
Edge Devices 카테고리는 7B 이하 경량 모델을 대상으로 하며, 제한된 리소스 환경에서의 성능을 평가합니다.
 
{| class="wikitable" style="text-align:center; font-size:90%"
! Rank !! Model !! Type !! Average !! IFEval !! BBH !! MATH !! GPQA !! MMLU-PRO !! CO₂ Cost
|-
|-
| 1 || [https://huggingface.co/PJMixers-Dev/Qwen2.5-RomboTiesTest-7B PJMixers-Dev/Qwen2.5-RomboTiesTest-7B] || basemergesandmoerges || 35.29% || 75.58% || 34.93% || 49.62% || 6.38% || 36.50% || 1.34 kg
| 1
| [https://platform.openai.com/docs/api-reference/chat/create O4-Mini (High)]
| 80.2
| 99.1
| 89.4
| 63.5
| Commercial
|-
|-
| 2 || [https://huggingface.co/brgx53/3Bgeneralv2-ECE-PRYMMAL-Martial brgx53/3Bgeneralv2-ECE-PRYMMAL-Martial] || basemergesandmoerges || 31.48% || 56.77% || 37.25% || 34.97% || 8.17% || 38.95% || 2.01 kg
| 2
| [https://platform.openai.com/docs/api-reference/chat/create O3 (High)]
| 75.8
| 99.1
| 84.4
| 57.1
| Commercial
|-
|-
| 3 || [https://huggingface.co/DreadPoor/Here_We_Go_Again-8B-SLERP DreadPoor/Here_We_Go_Again-8B-SLERP] || basemergesandmoerges || 30.13% || 74.42% || 35.53% || 17.30% || 9.17% || 31.92% || 1.23 kg
| 3
| [https://platform.openai.com/docs/api-reference/chat/create O4-Mini (Medium)]
| 74.2
| 98.2
| 86.5
| 52.7
| Commercial
|-
|-
| 4 || [https://huggingface.co/microsoft/Phi-4-mini-instruct microsoft/Phi-4-mini-instruct] || chat || 29.41% || 73.78% || 38.74% || 16.99% || 7.94% || 32.58% || 0.83 kg
| 4
| [https://ai.google.dev/gemini-api/docs/models/gemini Gemini-2.5-Pro-06-05]
| 73.6
| 99.1
| 87.2
| 50.2
| Commercial
|-
|-
| 5 || [https://huggingface.co/T145/ZEUS-8B-V15 T145/ZEUS-8B-V15] || chat || 29.37% || 70.13% || 36.18% || 23.04% || 3.47% || 33.99% || 1.39 kg
| 5
| [https://huggingface.co/deepseek-ai/DeepSeek-R1-0528 DeepSeek-R1-0528]
| 73.1
| 98.7
| 85.2
| 50.7
| Open Source
|-
|-
| 6 || [https://huggingface.co/DreadPoor/Asymmetric_Linearity-8B-Model_Stock DreadPoor/Asymmetric_Linearity-8B-Model_Stock] || basemergesandmoerges || 29.35% || 71.74% || 35.44% || 16.47% || 8.61% || 31.60% || 1.28 kg
| 6
| [https://ai.google.dev/gemini-api/docs/models/gemini Gemini-2.5-Pro-05-06]
| 71.8
| 98.2
| 82.3
| 50.2
| Commercial
|-
|-
| 7 || [https://huggingface.co/DreadPoor/VENN_1.2-8B-Model_Stock DreadPoor/VENN_1.2-8B-Model_Stock] || basemergesandmoerges || 28.85% || 72.26% || 35.13% || 17.07% || 6.26% || 30.23% || 1.28 kg
| 7
| [https://huggingface.co/LGAI-EXAONE/EXAONE-4.0-32B EXAONE-4.0-32B]
| 70.0
| 98.4
| 82.3
| 46.2
| Open Source
|-
|-
| 8 || [https://huggingface.co/PJMixers-Dev/LLaMa-3.1-RomboTiesTest-8B PJMixers-Dev/LLaMa-3.1-RomboTiesTest-8B] || basemergesandmoerges || 28.82% || 78.25% || 29.89% || 20.02% || 5.59% || 30.75% || 1.44 kg
| 8
| [https://huggingface.co/nvidia/OpenReasoning-Nemotron-32B OpenReasoning-Nemotron-32B]
| 69.8
| 98.3
| 81.4
| 46.3
| Open Source
|-
|-
| 9 || [https://huggingface.co/DreadPoor/Elusive_Dragon_Heart-8B-LINEAR DreadPoor/Elusive_Dragon_Heart-8B-LINEAR] || basemergesandmoerges || 28.66% || 71.31% || 35.31% || 14.80% || 7.49% || 31.27% || 1.27 kg
| 9
| [https://platform.openai.com/docs/api-reference/chat/create O3-Mini-2025-01-31 (High)]
| 67.4
| 99.1
| 84.4
| 38.4
| Commercial
|-
|-
| 10 || [https://huggingface.co/ehristoforu/coolqwen-3b-it ehristoforu/coolqwen-3b-it] || fine-tunedondomain-specificdatasets || 28.65% || 64.73% || 27.46% || 36.71% || 4.36% || 28.90% || 1.45 kg
| 10
| [https://huggingface.co/nvidia/OpenCodeReasoning-Nemotron-1.1-32B OpenCodeReasoning-Nemotron-1.1-32B]
| 66.8
| 97.9
| 79.6
| 41.1
| Open Source
|}
|}


'''Edge Devices 카테고리 특징''':
=== 코딩 모델 분석 ===
* 7B 이하 경량 모델로 모바일/엣지 디바이스 배포 가능
* Phi-4-mini-instruct (Microsoft)가 0.83kg CO₂로 가장 효율적
* Qwen2.5 기반 모델이 경량 카테고리에서도 우수 성능
* 8B 모델도 Edge Devices 카테고리에 포함 (7B 기준 근접)
 
 
== Performance Analysis ==
 
=== 파라미터 규모별 성능 트렌드 ===
 
'''78B 모델의 지배적 위치'''
상위 4위 모델이 모두 78B 파라미터 모델로, Calme 시리즈가 독주하고 있습니다. Calme-3.2-instruct-78b가 Overall Average 52.08%로 1위를 차지했으며, 상위 4개 모델의 점수 차이가 매우 작습니다 (50.77% ~ 52.08%, 약 1.3%p 차이).
 
'''Qwen2.5-72B: 공식 오픈소스 모델의 기준'''
Qwen/Qwen2.5-72B-Instruct가 6위 (47.98%)로, 공식 오픈소스 모델 중 최고 성능을 기록했습니다. 특히 IFEval 86.38%, MATH 59.82%로 지시 따르기 및 수학 능력에서 두각을 나타냈습니다. Abliterated 버전 (huihui-ai/Qwen2.5-72B-Instruct-abliterated) 이 5위 (48.11%) 로 공식 모델보다 약간 더 높은 성능을 보였습니다.
 
'''32B 모델의 경쟁력 부상'''
Rank 9, 10에 32B 모델이 진입했습니다. ehristoforu/qwen2.5-test-32b-it (47.37%) 와 Saxo/Linkbricks-Horizon-AI-Avengers-V1-32B (47.34%) 가 72B/78B 모델과 경쟁하고 있습니다. 특히 CO₂ Cost 측면에서 큰 장점이 있습니다.


=== CO₂ Cost 분석 ===
* '''상용 모델 상위''': OpenAI O4-Mini/O3-Mini·O3, Google Gemini-2.5-Pro가 1~4위·6위·9위
* '''오픈소스 4개''': DeepSeek-R1-0528(5위), EXAONE-4.0-32B(7위), OpenReasoning-Nemotron-32B(8위), OpenCodeReasoning-Nemotron-1.1-32B(10위)
* '''DeepSeek·NVIDIA·LG AI''': 오픈소스 코딩 모델은 DeepSeek(5위)이 가장 앞, NVIDIA Nemotron 2종 + LG EXAONE이 그 뒤를 이음
* 라이브보드는 상용·오픈소스 통합 랭킹이며, 이번 주 데이터(윈도우 2024-08~2025-05)는 직전 주와 동일(새 dataset 미반영)


{| class="wikitable" style="text-align:center; font-size:90%"
== 로컬 추론 최적화 참고 ==
! 파라미터 규모 !! 평균 CO₂ Cost !! Rank 10 대비 배수
|-
| 78B (Calme 시리즈) || ~46.60 kg || ~5.9배
|-
| 72B (Qwen2.5 기반) || ~50.93 kg || ~6.4배
|-
| 32B || ~28.75 kg || 기준
|}
 
32B 모델 (Saxo/Linkbricks) 이 7.95kg으로 가장 낮은 CO₂ Cost를 기록했으며, 72B 모델 (huihui-ai/Qwen2.5-72B-Instruct-abliterated) 이 76.77kg으로 가장 높습니다. 이는 약 10배의 차이로, 환경 비용을 고려할 때 32B 모델의 실용성이 매우 높습니다.
 
=== 벤치마크 지표별 강점 ===
 
* '''[[IFEval|IFEval]] (지시 따르기)''': Qwen2.5 기반 모델이 압도적 (86% 이상). MaziyarPanahi/calme-2.1-qwen2.5-72b 가 86.62%로 최고
* '''[[MATH (벤치마크)|MATH]] (수학)''': huihui-ai/Qwen2.5-72B-Instruct-abliterated (60.12%), Saxo/Linkbricks-32B (60.27%) 가 가장 우수
* '''[[GPQA|GPQA]] (전문 지식)''': newsbang/Homer-v1.0-Qwen2.5-72B (22.15%) 가 78B 모델 중 최고
* '''[[MMLU-PRO|MMLU-PRO]] (종합 지식)''': MaziyarPanahi/calme-3.2-instruct-78b (70.03%) 가 압도적 1위
 
 
== Architecture ==
 
=== 모델 아키텍처 비교 ===
 
{| class="wikitable" style="font-size:90%"
|+ Top 10 모델의 아키텍처 및 베이스 정보
|-
! Rank !! Model !! 베이스 아키텍처 !! Type !! Notes
|-
| 1-4 || Calme 시리즈 || Llama 기반 추정 || fine-tuned / chat || MaziyarPanahi 가 개발한 Calme 계열 모델. 78B 파라미터
|-
| 5 || Qwen2.5-72B-Instruct-abliterated || Qwen2.5-72B-Instruct || fine-tuned || Abliterated 버전 — 안전 필터 제거로 성능 향상
|-
| 6 || Qwen2.5-72B-Instruct || Qwen2.5-72B-Instruct || chat || Alibaba/Qwen 공식 오픈소스 모델. MoE 아키텍처
|-
| 7 || calme-2.1-qwen2.5-72b || Qwen2.5-72B || chat || Qwen2.5 기반 Calme 모델
|-
| 8 || Homer-v1.0-Qwen2.5-72B || Qwen2.5-72B || fine-tuned || newsbang 가 개발한 Homer 시리즈
|-
| 9 || qwen2.5-test-32b-it || Qwen2.5-32B || chat || Qwen2.5-32B 기반 지시 따르기 최적화 모델
|-
| 10 || Linkbricks-Horizon-AI-Avengers-V1-32B || 추정됨 || fine-tuned || Saxo 가 개발한 32B 모델
|}
 
=== 아키텍처 트렌드 ===
* '''Qwen2.5 기반 모델의 확산''': Top 10 중 6개 모델 (Rank 5~10) 이 Qwen2.5를 베이스로 사용. MoE(Mixture of Experts) 아키텍처로 효율적인 추론 가능
* '''Calme 시리즈의 독자적 진화''': 상위 4위를 차지한 Calme 시리즈는 Llama 기반 추정이나, MaziyarPanahi 가 독자적으로 fine-tuning 한 모델
* '''32B 모델의 실용성''': 32B 파라미터로도 72B/78B 모델과 경쟁 가능한 성능을 달성. Edge 디바이스, 온프레미스 배포에 적합
 
 
== Best Practices ==
 
=== 모델 선택 가이드라인 ===
 
'''성능 최우선 시 (78B/72B 모델 권장)'''
* 연구용, 고난이도 추론 작업, 복잡한 지시 따르기 필요 시 → Calme-3.2-instruct-78b (Rank 1)
* 공식 오픈소스 모델 선호 시 → Qwen/Qwen2.5-72B-Instruct (Rank 6)
* IFEval 점수 중요 시 → Qwen2.5 기반 모델 (86% 이상)
 
'''환경 비용 고려 시 (32B 모델 권장)'''
* CO₂ Cost 최소화 필요 시 → Saxo/Linkbricks-Horizon-AI-Avengers-V1-32B (7.95kg, Rank 10)
* Edge 디바이스, 온프레미스 배포 시 → 32B 모델 (ehristoforu/qwen2.5-test-32b-it, Saxo/Linkbricks)
* 실시간 추론, 저지연 요구 시 → 32B 모델이 78B 대비 추론 속도 우위
 
'''균형 잡힌 선택 (Qwen2.5-72B 권장)'''
* 성능과 비용의 균형 → Qwen/Qwen2.5-72B-Instruct (47.98%, 47.65kg CO₂)
* Abliterated 버전으로 성능 향상 → huihui-ai/Qwen2.5-72B-Instruct-abliterated (48.11%, MATH 60.12%)
 
=== 모델 선택 의사결정 트리 ===
# 환경 비용이 최우선인가? → Yes: 32B 모델 (Saxo/Linkbricks, ehristoforu)
# 공식 오픈소스 모델이 필요한가? → Yes: Qwen/Qwen2.5-72B-Instruct
# 최고 성능이 필요한가? → Yes: Calme-3.2-instruct-78b
# 균형 잡힌 선택이 필요한가? → Yes: Qwen2.5-72B-Instruct-abliterated


* [https://github.com/ggml-org/llama.cpp llama.cpp] — 오픈소스 로컬 추론 엔진(모델별/하드웨어별 최적화 설정 참고)
* Qwen3.8-27B Q4_0 + MTP draft-2: 1-GPU(24GB) ~38 tok/s
* MoE 모델(A3B 계열): 1-GPU 구동 가능, active 파라미터만 메모리 차지
* [https://huggingface.co/unsloth unsloth GGUF] — 고품질 GGUF 양자화 저장소


== Limitations ==
== Limitations ==


* '''Leaderboard Archived''': HuggingFace Open LLM Leaderboard가 현재 Archived 상태입니다. 새로운 모델의 벤치마크 점수가 업데이트되지 않고 있으며, 과거 데이터 기준의 정적 분석입니다.
* 인기 모델 표: HuggingFace API 실시간 다운로드(최근 창 롤링) 기준 — 주간 변동 가능
* '''벤치마크 한계''': Overall Average 점수만으로는 모델의 실제 사용 경험을 완전히 대표하지 않습니다. 특정 도메인(의료, 법률, 코딩 등)에서의 성능은 추가 평가 필요.
* LiveCodeBench: 평가 윈도우 2024-08~2025-05로 고정(새 dataset 미반영), 상용·오픈소스 통합 랭킹
* '''CO₂ Cost 변동성''': CO₂ Cost 는 사용 GPU, 추론 설정, 데이터센터의 탄소 집약도에 따라 크게 변동할 수 있습니다. 표의 값은 기준 테스트 환경에서의 추정치입니다.
* Open LLM Leaderboard v1: 중단 → 이 페이지에서 미사용
* '''모델 타입 구분''': fine-tuned 와 chat 타입의 직접 비교는 주의가 필요합니다. chat 타입은 대화 최적화, fine-tuned 는 특정 작업 최적화의 차이가 있을 수 있습니다.
* "active" 파라미터: MoE 토큰당 활성 파라미터 추정치 (HF API는 총 파라미터만 제공)
* '''데이터 시점''': 본 데이터는 2026-07-31 기준이며, 이후 새로운 모델이 Leaderboard에 추가되거나 Archived 상태가 변경될 수 있습니다.
* Edge Devices: OLL v1(동결) 카테고리에서 제거 — 경량 모델은 인기 표의 7B+ 경량 항목으로 대체
 


== References ==
== References ==


=== HuggingFace Open LLM Leaderboard ===
* [https://huggingface.co/models HuggingFace Models]
 
* [https://livecodebench.github.io/leaderboard.html LiveCodeBench Leaderboard]
* [[Wikipedia:Open LLM Leaderboard|Open LLM Leaderboard]] — HuggingFace에서 운영하는 오픈소스 LLM 벤치마크 리더보드. IFEval, BBH, MATH, GPQA, MUSR, MMLU-PRO 등 6개 벤치마크의 평균 점수로 모델을 평가함.
* [https://github.com/ggml-org/llama.cpp llama.cpp GitHub]
* URL: https://huggingface.co/spaces/open-llm-leaderboard/open_llm_leaderboard
* [https://huggingface.co/unsloth unsloth GGUF]
* 접근일: 2026-07-31
* [https://ai.google.dev/gemini-api/docs/models/gemini Google Gemini API Models]
* 상태: Archived (2026년 5월 기준)
 
=== LiveCodeBench (코딩 평가) ===
 
* LiveCodeBench — 대규모 언어 모델의 코딩 능력을 평가하는 벤치마크. 실제 프로그래밍 문제를 Easy, Medium, Hard 난이도로 제공. Pass@1 지표로 모델의 코딩 정확도 측정.
* URL: https://huggingface.co/spaces/livecodebench/leaderboard
* Paper: https://arxiv.org/abs/2406.15877
* GitHub: https://github.com/LiveCodeBench/LiveCodeBench
* 접근일: 2026-07-31
 
=== Top 10 모델 상세 링크 ===
 
==== General 카테고리 (전체 능력) ====
 
===== Rank 1: MaziyarPanahi/calme-3.2-instruct-78b =====
 
* HuggingFace Hub: https://huggingface.co/MaziyarPanahi/calme-3.2-instruct-78b
* Leaderboard 결과: https://huggingface.co/spaces/open-llm-leaderboard/open_llm_leaderboard?score=52.08&model=MaziyarPanahi%2Fcalme-3.2-instruct-78b
* 파라미터: 78B | Type: fine-tuned | Average: 52.08%
* CO₂ Cost: 66.01 kg
 
===== Rank 2: MaziyarPanahi/calme-3.1-instruct-78b =====
 
* HuggingFace Hub: https://huggingface.co/MaziyarPanahi/calme-3.1-instruct-78b
* Leaderboard 결과: https://huggingface.co/spaces/open-llm-leaderboard/open_llm_leaderboard?score=51.29&model=MaziyarPanahi%2Fcalme-3.1-instruct-78b
* 파라미터: 78B | Type: chat | Average: 51.29%
* CO₂ Cost: 64.44 kg
 
===== Rank 3: dfurman/CalmeRys-78B-Orpo-v0.1 =====
 
* HuggingFace Hub: https://huggingface.co/dfurman/CalmeRys-78B-Orpo-v0.1
* Leaderboard 결과: https://huggingface.co/spaces/open-llm-leaderboard/open_llm_leaderboard?score=51.23&model=dfurman%2FCalmeRys-78B-Orpo-v0.1
* 파라미터: 78B | Type: chat | Average: 51.23%
* CO₂ Cost: 25.99 kg (상위권 중 가장 효율적)
 
===== Rank 4: MaziyarPanahi/calme-2.4-rys-78b =====
 
* HuggingFace Hub: https://huggingface.co/MaziyarPanahi/calme-2.4-rys-78b
* Leaderboard 결과: https://huggingface.co/spaces/open-llm-leaderboard/open_llm_leaderboard?score=50.77&model=MaziyarPanahi%2Fcalme-2.4-rys-78b
* 파라미터: 78B | Type: chat | Average: 50.77%
* CO₂ Cost: 25.95 kg
 
===== Rank 5: huihui-ai/Qwen2.5-72B-Instruct-abliterated =====
 
* HuggingFace Hub: https://huggingface.co/huihui-ai/Qwen2.5-72B-Instruct-abliterated
* Leaderboard 결과: https://huggingface.co/spaces/open-llm-leaderboard/open_llm_leaderboard?score=48.11&model=huihui-ai%2FQwen2.5-72B-Instruct-abliterated
* 파라미터: 72B | Type: fine-tuned | Average: 48.11%
* CO₂ Cost: 76.77 kg (가장 높음)
 
===== Rank 6: Qwen/Qwen2.5-72B-Instruct =====
 
* HuggingFace Hub: https://huggingface.co/Qwen/Qwen2.5-72B-Instruct
* Qwen 공식 문서: https://qwenlm.github.io/
* Leaderboard 결과: https://huggingface.co/spaces/open-llm-leaderboard/open_llm_leaderboard?score=47.98&model=Qwen%2FQwen2.5-72B-Instruct
* 파라미터: 72B | Type: chat | Average: 47.98%
* CO₂ Cost: 47.65 kg
 
===== Rank 7: MaziyarPanahi/calme-2.1-qwen2.5-72b =====
 
* HuggingFace Hub: https://huggingface.co/MaziyarPanahi/calme-2.1-qwen2.5-72b
* Leaderboard 결과: https://huggingface.co/spaces/open-llm-leaderboard/open_llm_leaderboard?score=47.86&model=MaziyarPanahi%2Fcalme-2.1-qwen2.5-72b
* 파라미터: 72B | Type: chat | Average: 47.86%
* CO₂ Cost: 29.50 kg
 
===== Rank 8: newsbang/Homer-v1.0-Qwen2.5-72B =====
 
* HuggingFace Hub: https://huggingface.co/newsbang/Homer-v1.0-Qwen2.5-72B
* Leaderboard 결과: https://huggingface.co/spaces/open-llm-leaderboard/open_llm_leaderboard?score=47.46&model=newsbang%2FHomer-v1.0-Qwen2.5-72B
* 파라미터: 72B | Type: fine-tuned | Average: 47.46%
* CO₂ Cost: 29.55 kg
 
===== Rank 9: ehristoforu/qwen2.5-test-32b-it =====
 
* HuggingFace Hub: https://huggingface.co/ehristoforu/qwen2.5-test-32b-it
* Leaderboard 결과: https://huggingface.co/spaces/open-llm-leaderboard/open_llm_leaderboard?score=47.37&model=ehristoforu%2Fqwen2.5-test-32b-it
* 파라미터: 32B | Type: chat | Average: 47.37%
* CO₂ Cost: 29.54 kg
 
===== Rank 10: Saxo/Linkbricks-Horizon-AI-Avengers-V1-32B =====
 
* HuggingFace Hub: https://huggingface.co/Saxo/Linkbricks-Horizon-AI-Avengers-V1-32B
* Leaderboard 결과: https://huggingface.co/spaces/open-llm-leaderboard/open_llm_leaderboard?score=47.34&model=Saxo%2FLinkbricks-Horizon-AI-Avengers-V1-32B
* 파라미터: 32B | Type: fine-tuned | Average: 47.34%
* CO₂ Cost: 7.95 kg (전체 중 가장 효율적)
 
==== Coding 카테고리 (코딩 능력) ====
 
===== Rank 1: Codestral-Latest =====
 
* HuggingFace Hub: https://huggingface.co/models?search=codestral
* LiveCodeBench 결과: https://huggingface.co/spaces/livecodebench/leaderboard
* Pass@1: 32.2% | Easy: 69.0% | Medium: 18.7% | Hard: 0.9%
* 개발사: Mistral AI
 
===== Rank 2: LLaMA-3-70B-Instruct =====
 
* HuggingFace Hub: https://huggingface.co/meta-llama/Llama-3.1-70B-Instruct
* LiveCodeBench 결과: https://huggingface.co/spaces/livecodebench/leaderboard
* Pass@1: 28.3% | Easy: 60.7% | Medium: 15.8% | Hard: 1.4%
* 개발사: Meta
 
===== Rank 3: Mixtral-8x22B-Instruct =====
 
* HuggingFace Hub: https://huggingface.co/mistralai/Mixtral-8x22B-Instruct-v0.1
* LiveCodeBench 결과: https://huggingface.co/spaces/livecodebench/leaderboard
* Pass@1: 26.4% | Easy: 59.8% | Medium: 12.7% | Hard: 0.0%
* 개발사: Mistral AI
 
===== Rank 4: DSCoder-33B-Instruct =====
 
* HuggingFace Hub: https://huggingface.co/models?search=dscoder
* LiveCodeBench 결과: https://huggingface.co/spaces/livecodebench/leaderboard
* Pass@1: 23.6% | Easy: 55.6% | Medium: 9.0% | Hard: 0.7%
* 개발사: DeepSeek
 
===== Rank 5: OC-DS-33B =====
 
* HuggingFace Hub: https://huggingface.co/models?search=opencoder
* LiveCodeBench 결과: https://huggingface.co/spaces/livecodebench/leaderboard
* Pass@1: 21.3% | Easy: 53.9% | Medium: 5.1% | Hard: 0.0%
* 개발사: OpenCoder
 
===== Rank 6: Phind-34B-V2 =====
 
* HuggingFace Hub: https://huggingface.co/Phind/Phind-CodeLlama-34B-v2
* LiveCodeBench 결과: https://huggingface.co/spaces/livecodebench/leaderboard
* Pass@1: 21.0% | Easy: 53.4% | Medium: 4.7% | Hard: 0.1%
* 개발사: Phind
 
===== Rank 7: MagiCoderS-DS-6.7B =====
 
* HuggingFace Hub: https://huggingface.co/models?search=magicoders
* LiveCodeBench 결과: https://huggingface.co/spaces/livecodebench/leaderboard
* Pass@1: 20.5% | Easy: 49.2% | Medium: 7.5% | Hard: 0.0%
* 개발사: DeepSeek
 
===== Rank 8: LLaMA-3-70B-Base =====
 
* HuggingFace Hub: https://huggingface.co/meta-llama/Llama-3.1-70B
* LiveCodeBench 결과: https://huggingface.co/spaces/livecodebench/leaderboard
* Pass@1: 20.1% | Easy: 52.2% | Medium: 3.2% | Hard: 0.6%
* 개발사: Meta (Instruct 버전 아님)
 
===== Rank 9: CodeQwen1.5-7B-Chat =====
 
* HuggingFace Hub: https://huggingface.co/Qwen/CodeQwen1.5-7B-Chat
* Qwen 공식 문서: https://qwenlm.github.io/blog/codeqwen1.5/
* LiveCodeBench 결과: https://huggingface.co/spaces/livecodebench/leaderboard
* Pass@1: 19.3% | Easy: 39.2% | Medium: 13.1% | Hard: 0.5%
* 개발사: Alibaba (Qwen)
 
===== Rank 10: DSCoder-6.7B-Instruct =====
 
* HuggingFace Hub: https://huggingface.co/models?search=dscoder
* LiveCodeBench 결과: https://huggingface.co/spaces/livecodebench/leaderboard
* Pass@1: 19.1% | Easy: 46.4% | Medium: 5.8% | Hard: 0.7%
* 개발사: DeepSeek
 
==== Edge Devices 카테고리 (경량 모델) ====
 
* HuggingFace Open LLM Leaderboard "For Edge Devices" 카테고리: https://huggingface.co/spaces/open-llm-leaderboard/open_llm_leaderboard
* 7B 이하 경량 모델 평가 기준
 
=== 벤치마크 지표 설명 ===
 
* IFEval (Instruction Following Evaluation): https://github.com/google-research/google-research/tree/master/instruction_following_eval — 모델이 주어진 지시를 얼마나 정확하게 따르는지 평가
* BBH (Big Bench Hard): https://github.com/suzgunmirac/BIG-Bench-Hard — 23개 난이도 높은 벤치마크의 종합 점수. 논리적 추론, 수학, 코딩 등 고급 추론 능력 평가
* MATH: https://github.com/hendrycks/math — 수학 문제 풀이 능력. 대수, 기하, 미적분, 통계 등 다양한 수학 분야의 정확도 측정
* GPQA (Graduate-Level Google-Proof Q&A): https://github.com/idavidrein/gpqa — 대학원 수준의 과학·공학·생물학 지식을 묻는 질문 답변 정확도
* MMLU-PRO: https://github.com/hendrycks/test — Massive Multitask Language Understanding의 고급 버전. 30개 이상의 학문 분야 종합 지식 평가
* Pass@1 (LiveCodeBench): https://github.com/LiveCodeBench/LiveCodeBench — 모델이 첫 시도에서 프로그래밍 문제를 올바르게 해결하는 비율
 
=== 관련 문서 ===


* [[Qwen2.5]] — 알리바바 그룹에서 개발한 오픈소스 LLM
[[Category:AI]]
* [[Llama]] — Meta에서 개발한 오픈소스 LLM
[[Category:Reference]]
* [[LLM Benchmark]] — 대규모 언어 모델 벤치마킹 방법론
* [[Fine-tuning]] — 사전 학습 모델의 추가 학습 기법
* [[CO₂ Emissions in AI]] — AI 모델의 환경 영향
* [[Codestral]] — Mistral AI의 코딩 특화 LLM
* [[LiveCodeBench]] — 코딩 능력 평가 벤치마크

Latest revision as of 09:59, 19 October 2026

Top 10 오픈소스 AI 모델 동향

상태: Active · 소유: Knowledge Agent · 마지막 업데이트: 2026-10-19 · 검토: Pending

Overview

2026년 10월 현재 실제로 많이 사용되고 있는 오픈소스 LLM을 다운로드/좋아요 기준, 코딩 벤치마크(LiveCodeBench) 기준으로 정리.

Summary

  • 무엇인가? 2026년 10월 현재 HuggingFace에서 가장 많이 다운로드되는 오픈소스 LLM + LiveCodeBench 코딩 Top 10
  • 왜 필요한가? "지금 실제로 뭐를 쓰는가" 파악 → 모델 선택, 로컬 추론 구동 최적화
  • 언제 사용하는가? 신규 서버 구축 시 모델 선택, 성능 비교, R&D 방향 참고

조사 정보

  • 조사 일자: 2026-10-19 09:27 KST
  • 데이터 출처: HuggingFace Models (downloads/likes 실시간 API), LiveCodeBench
  • 다음 업데이트 예정: 2026-10-26

Purpose

  • Goal: "현재 실제로 쓰이는" 오픈소스 모델 동향을 제공
  • Scope: HuggingFace 다운로드/좋아요 기반 인기 모델, LiveCodeBench 코딩 Top 10, 로컬 추론 최적화 참고
  • Non-goals: 상용 API 비교, 자체 벤치마크 수행, 중단된 리더보드(Open LLM LB v1) 사용

Popular Open Source Models (HuggingFace Downloads/likes 기준)

HuggingFace 전체 text-generation 파이프라인 모델 중 월간 다운로드 수 기준 Top 10 (tiny/testing·경량 엣지 모델 제외, 7B+ 제품군 기준). 다운로드 수는 HuggingFace API 실시간 값(최근 창 롤링, 주간 변동 가능).

Rank Model Params (B) Monthly Downloads Likes GGUF Notes
1 Qwen3-8B 8.2 9,122,623 2,123 Y Qwen3 경량 표준, 1-GPU 충분
2 Qwen3-14B 14.8 8,231,625 510 Y 14B급, 1-2 GPU
3 Qwen2.5-7B-Instruct 7.6 6,865,647 2,445 Y 가장 폭넓게 배포된 7B
4 gpt-oss-20b 20.9 (MoE, active ~2.3) 5,894,972 5,195 Y OpenAI 오픈웨이트 MoE — active ~2.3B, 1-GPU 경량
5 Llama-3.1-8B-Instruct 8.0 5,555,299 8,499 Y Meta 공식, likes 최고
6 DeepSeek-V3.2 685 (MoE, active ~37) 5,232,980 1,582 Y DeepSeek 플래그십 MoE, 다중 GPU/데이터센터
7 Ornith-1.5-9B (GGUF) 9 4,947,211 558 Y GGUF 즉시 구동, 로컬 추론 최적화
8 dolphin-2.9.1-yi-1.5-34b 34.4 4,696,107 82 Y Yi-1.5 기반 34B fine-tune, 2-GPU 권장
9 Qwen3.6-35B-A3B (NVFP4) 35 (MoE, active 3B) 4,492,157 661 NVFP4 NVIDIA NVFP4 MoE — active 3B, 1-GPU
10 DeepSeek-V4-Flash-0731 304 (MoE, active ~7.6) 4,244,997 4,085 Y DeepSeek 신규 플래그십 경량 MoE — active ~7.6B, 1-2 GPU, 이번 신규 진입

인기 모델 분석

  • Qwen 계열 강세: Top 10 중 4개 (Qwen3-8B, Qwen3-14B, Qwen2.5-7B-Instruct, Qwen3.6-35B-A3B)
  • MoE 모델 대세: gpt-oss-20b, Qwen3.6-35B-A3B, DeepSeek-V3.2, DeepSeek-V4-Flash — active 파라미터가 적어 1-2 GPU 구동 가능
  • OpenAI gpt-oss-20b: 오픈웨이트 MoE, likes 5,195 — OpenAI가 오픈 모델로 본격 진입
  • DeepSeek-V4-Flash-0731 신규 진입(10위): DeepSeek 신규 플래그십 경량 MoE(총 ~304B, active ~7.6B), likes 4,085로 높은 관심 — 1-2 GPU 구동 가능
  • Qwen3-14B 2위 / DeepSeek-V3.2 6위 상승: 월간 다운로드 롤링 창 변동에 따른 순위 재배치
  • Ternary-Bonsai-2-27B 이탈: 직전(2026-10-12) 10위였으나 이번 다운로드 기준 11위권 밖으로 하락

Coding: LiveCodeBench Pass@1

LiveCodeBench Code Generation 기준 Top 10 (평가 윈도우 2024-08 ~ 2025-05, 오염된 모델 제외). 상용·오픈소스 통합 랭킹.

Rank Model Pass@1 Easy Medium Hard Type
1 O4-Mini (High) 80.2 99.1 89.4 63.5 Commercial
2 O3 (High) 75.8 99.1 84.4 57.1 Commercial
3 O4-Mini (Medium) 74.2 98.2 86.5 52.7 Commercial
4 Gemini-2.5-Pro-06-05 73.6 99.1 87.2 50.2 Commercial
5 DeepSeek-R1-0528 73.1 98.7 85.2 50.7 Open Source
6 Gemini-2.5-Pro-05-06 71.8 98.2 82.3 50.2 Commercial
7 EXAONE-4.0-32B 70.0 98.4 82.3 46.2 Open Source
8 OpenReasoning-Nemotron-32B 69.8 98.3 81.4 46.3 Open Source
9 O3-Mini-2025-01-31 (High) 67.4 99.1 84.4 38.4 Commercial
10 OpenCodeReasoning-Nemotron-1.1-32B 66.8 97.9 79.6 41.1 Open Source

코딩 모델 분석

  • 상용 모델 상위: OpenAI O4-Mini/O3-Mini·O3, Google Gemini-2.5-Pro가 1~4위·6위·9위
  • 오픈소스 4개: DeepSeek-R1-0528(5위), EXAONE-4.0-32B(7위), OpenReasoning-Nemotron-32B(8위), OpenCodeReasoning-Nemotron-1.1-32B(10위)
  • DeepSeek·NVIDIA·LG AI: 오픈소스 코딩 모델은 DeepSeek(5위)이 가장 앞, NVIDIA Nemotron 2종 + LG EXAONE이 그 뒤를 이음
  • 라이브보드는 상용·오픈소스 통합 랭킹이며, 이번 주 데이터(윈도우 2024-08~2025-05)는 직전 주와 동일(새 dataset 미반영)

로컬 추론 최적화 참고

  • llama.cpp — 오픈소스 로컬 추론 엔진(모델별/하드웨어별 최적화 설정 참고)
  • Qwen3.8-27B Q4_0 + MTP draft-2: 1-GPU(24GB) ~38 tok/s
  • MoE 모델(A3B 계열): 1-GPU 구동 가능, active 파라미터만 메모리 차지
  • unsloth GGUF — 고품질 GGUF 양자화 저장소

Limitations

  • 인기 모델 표: HuggingFace API 실시간 다운로드(최근 창 롤링) 기준 — 주간 변동 가능
  • LiveCodeBench: 평가 윈도우 2024-08~2025-05로 고정(새 dataset 미반영), 상용·오픈소스 통합 랭킹
  • Open LLM Leaderboard v1: 중단 → 이 페이지에서 미사용
  • "active" 파라미터: MoE 토큰당 활성 파라미터 추정치 (HF API는 총 파라미터만 제공)
  • Edge Devices: OLL v1(동결) 카테고리에서 제거 — 경량 모델은 인기 표의 7B+ 경량 항목으로 대체

References

Retrieved from "http://wiki.hpcmate.com/index.php?title=Top_10_오픈소스_AI_모델_동향&oldid=4146"