Top 10 오픈소스 AI 모델 동향: Difference between revisions

From HPCWIKI
Jump to navigation Jump to search
(Fix related docs section: replace all remaining wiki internal links with external official URLs)
(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.)
 
(20 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
|-
|| [https://huggingface.co/docs/transformers/model_sizes_parameters Parameters (파라미터 수)] | 모델이 학습한 가중치(Weight)의 총 개수. 일반적으로 파라미터가 많을수록 성능이 우수하나, 추론 비용도 비례하여 증가함
|-
|| [https://huggingface.co/spaces/open-llm-leaderboard/open_llm_leaderboard Overall Average] | HuggingFace Open LLM Leaderboard의 종합 점수. 여러 벤치마크 지표의 평균값으로 모델의 전반적 성능을 나타냄
|-
|| [https://github.com/google-research/google-research/tree/master/instruction_following_eval IFEval (Instruction Following Evaluation)] | 모델이 주어진 지시를 얼마나 정확하게 따르는지 평가. 시스템 프롬프트, 제약 조건 준수 능력 측정
|-
|| [https://github.com/suzgunmirac/BIG-Bench-Hard BBH (Big Bench Hard)] | 23개 난이도 높은 벤치마크의 종합 점수. 논리적 추론, 수학, 코딩 등 고급 추론 능력 평가
|-
|| [https://github.com/hendrycks/math MATH] | 수학 문제 풀이 능력. 대수, 기하, 미적분, 통계 등 다양한 수학 분야의 정확도 측정
|-
|| [https://github.com/idavidrein/gpqa GPQA (Graduate-Level Google-Proof Q&A)] | 대학원 수준의 과학·공학·생물학 지식을 묻는 질문 답변 정확도. 전문 분야 지식 평가
|-
|| [https://huggingface.co/spaces/open-llm-leaderboard/open_llm_leaderboard MUSR (Multi-Step Reasoning)] | 다단계 추론 능력. 여러 단계를 거쳐 결론에 도달하는 문제 해결 능력 측정
|-
|| [https://github.com/hendrycks/test MMLU-PRO] | Massive Multitask Language Understanding의 고급 버전. 30개 이상의 학문 분야 종합 지식 평가
|-
|| [https://huggingface.co/spaces/open-llm-leaderboard/open_llm_leaderboard CO₂ Cost] | 모델 추론 시 발생하는 탄소 배출량(kg). 모델 크기, 추론 시간, 사용 GPU에 따라 결정됨
|-
|| [https://huggingface.co/docs/transformers/training fine-tuned] | 사전 학습된 베이스 모델을 특정 작업이나 도메인에 맞게 추가 학습한 모델
|-
|| [https://huggingface.co/docs/transformers/model_sharing chat] | 대화형 인터페이스를 위해 최적화된 모델. 지시 따르기, 다중 턴 대화에 특화됨
|-
|| [https://huggingface.co/spaces/open-llm-leaderboard/open_llm_leaderboard 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
|}
== 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 !! [https://github.com/google-research/google-research/tree/master/instruction_following_eval IFEval] !! [https://github.com/suzgunmirac/BIG-Bench-Hard BBH] !! [https://github.com/hendrycks/math MATH] !! [https://github.com/idavidrein/gpqa GPQA] !! [https://github.com/... MUSR] !! [https://github.com/hendrycks/test MMLU-PRO] !! [https://huggingface.co/spaces/open-llm-leaderboard/open_llm_leaderboard 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 !! [https://github.com/LiveCodeBench/LiveCodeBench 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 !! [https://github.com/google-research/google-research/tree/master/instruction_following_eval IFEval] !! [https://github.com/suzgunmirac/BIG-Bench-Hard BBH] !! [https://github.com/hendrycks/math MATH] !! [https://github.com/idavidrein/gpqa GPQA] !! [https://github.com/hendrycks/test MMLU-PRO] !! [https://huggingface.co/spaces/open-llm-leaderboard/open_llm_leaderboard 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 ===
 
* '''[https://github.com/google-research/google-research/tree/master/instruction_following_eval IFEval] (지시 따르기)''': Qwen2.5 기반 모델이 압도적 (86% 이상). MaziyarPanahi/calme-2.1-qwen2.5-72b 가 86.62%로 최고
* '''[https://github.com/hendrycks/math MATH] (수학)''': huihui-ai/Qwen2.5-72B-Instruct-abliterated (60.12%), Saxo/Linkbricks-32B (60.27%) 가 가장 우수
* '''[https://github.com/idavidrein/gpqa GPQA] (전문 지식)''': newsbang/Homer-v1.0-Qwen2.5-72B (22.15%) 가 78B 모델 중 최고
* '''[https://github.com/hendrycks/test 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 ===
 
* [https://github.com/google-research/google-research/tree/master/instruction_following_eval IFEval (Instruction Following Evaluation)] — 모델이 주어진 지시를 얼마나 정확하게 따르는지 평가
* [https://github.com/suzgunmirac/BIG-Bench-Hard BBH (Big Bench Hard)] — 23개 난이도 높은 벤치마크의 종합 점수. 논리적 추론, 수학, 코딩 등 고급 추론 능력 평가
* [https://github.com/hendrycks/math MATH] — 수학 문제 풀이 능력. 대수, 기하, 미적분, 통계 등 다양한 수학 분야의 정확도 측정
* [https://github.com/idavidrein/gpqa GPQA (Graduate-Level Google-Proof Q&A)] — 대학원 수준의 과학·공학·생물학 지식을 묻는 질문 답변 정확도
* [https://github.com/hendrycks/test MMLU-PRO] — Massive Multitask Language Understanding의 고급 버전. 30개 이상의 학문 분야 종합 지식 평가
* [https://github.com/LiveCodeBench/LiveCodeBench Pass@1 (LiveCodeBench)] — 모델이 첫 시도에서 프로그래밍 문제를 올바르게 해결하는 비율
 
=== 관련 문서 ===


* [https://qwenlm.github.io/ Qwen2.5] — 알리바바 그룹에서 개발한 오픈소스 LLM
[[Category:AI]]
* [https://ai.meta.com/llama/ Llama] — Meta에서 개발한 오픈소스 LLM
[[Category:Reference]]
* [https://huggingface.co/spaces/open-llm-leaderboard/open_llm_leaderboard LLM Benchmark] — 대규모 언어 모델 벤치마킹 방법론
* [https://huggingface.co/docs/transformers/training Fine-tuning] — 사전 학습 모델의 추가 학습 기법
* [https://huggingface.co/spaces/open-llm-leaderboard/open_llm_leaderboard CO₂ Emissions in AI] — AI 모델의 환경 영향
* [https://huggingface.co/models?search=codestral Codestral] — Mistral AI의 코딩 특화 LLM
* [https://github.com/LiveCodeBench/LiveCodeBench 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"