המודל שירד הכי הרבה פעמים מ-Hugging Face הוא בכלל לא צ'אט-בוט – זהו מודל sentence-embedding בעל 22 מיליון פרמטרים משנת 2021, שירד 256 מיליון פעמים. המספרים האלה מספרים סיפור פשוט: רוב עומסי העבודה של בינה מלאכותית (AI) בעולם האמיתי רצים על מודלים קטנים וידידותיים ל-CPU, ולא על מודלי שפה גדולים (LLMs) שתופסים את כל הכותרות.
שלושת המודלים השולטים בסביבות ייצור (production)
all-MiniLM-L6-v2 – 256 מיליון הורדות
המודל הזה, בעל 22 מיליון פרמטרים, ממיר קטע טקסט לווקטור צפוף (dense vector). ניתן להשוות את הווקטור לאחרים כדי למדוד דמיון, מה שמניע חיפוש סמנטי, מנועי המלצות וצינורות עיבוד (pipelines) לזיהוי כפילויות.
למה הוא נמצא בכל מקום:
- רץ על CPU – אין צורך ב-GPU יקר.
- מהיר לעיבוד אצווה (batch processing) – יכול לבצע embedding למיליוני משפטים תוך דקות.
- חינמי לאירוח מקומי – חוסך עמלות שירותי ענן ומונע חששות בנוגע לפרטיות נתונים.
cross-encoder/ms-marco-MiniLM-L6-v2 – 87 מיליון הורדות
המודל הזה משמש כ-reranker. הוא לוקח שאילתה ומסמך מועמד יחד ומחזיר ציון רלוונטיות. ב-stack של RAG טיפוסי, זרימת העבודה נראית כך:
- שלב מהיר – MiniLM שולף את 50 המועמדים המובילים.
- שלב מדויק – ה-cross-encoder מבצע rescoring ל-50 הפריטים הללו ומשפר את איכות התשובה.
מספר ה-"like" הנמוך יותר בדף המודל מעיד על כך שרוב המשתמשים מפעילים אותו באופן תכנותי ולא באמצעות גלישה ב-hub, אך נפח ההורדות מאשר שהוא הכלי ה-de-facto להעלאת הדיוק בצינורות ייצור (production pipelines).
amazon/chronos-2 – 35 מיליון הורדות
Chronos-2 מתייחס לנתוני סדרות עתיות (time-series) כאל טקסט, מה שמאפשר למודל יסוד (foundation model) יחיד לחזות מכירות, עומס שרתים או כל אות מספרי אחר ללא אימון ספציפי למשימה. מספר הורדות של עשרות מיליונים עבור מודל תחזית ייעודי מעיד על תיאבון רב לפתרונות מסוג "אמן פעם אחת, הרץ בכל מקום", במיוחד בארגונים שבמקרה אחר היו צריכים לתחזק "גן חיות" של מודלים מותאמים אישית לכל מדד.
המשמעות של המספרים עבור צוותי AI
גרפי ההורדות חושפים פער בין ההייפ בתקשורת לבין המציאות התפעולית. LLMs שולטים בהודעות לעיתונות, אך "סוסי העבודה" שבאמת שומרים על השירותים פעילים הם:
- מודלי embedding שהופכים טקסט גולמי לווקטורים הניתנים לחיפוש.
- cross-encoders המזקקים את הווקטורים הללו לדירוגים מדויקים.
- מודלי תחזית יסוד (foundation forecasters) המיישמים מודל יחיד על פני סדרות מספריות רבות.
המסקנה ברורה: אם אתם בונים AI שאמור לעבוד בקנה מידה רחב (at scale), הביטו מעבר להייפ. המודלים השולטים בגרפי ההורדות של Hugging Face הם אלו ששומרים על מערכות הייצור פועלות בצורה חלקה, והם ימשיכו להגדיר לאן זורמת ההוצאה האמיתית על AI.