本周 HuggingFace 最热门的 5 个新模型：Qwen3 家族霸榜，经典模型依旧能打

Q: 1. Qwen3-0.6B：小身材，大能量，边缘设备的福音

它是做什么的？ 这是阿里云 Qwen 团队最新发布的小参数语言模型，仅有 6 亿参数（0.6B）。别看它小，它继承了 Qwen3 系列的核心架构，支持 32K 的上下文长度，并且针对文本生成进行了深度优化。 为什么值得关注？ 数据不会骗人：1378 个点赞，超过 2800 万次下载，这个数据在最近一个月内直接冲到了 HuggingFace 总榜第一。为什么一个小模型这么火？因为它是目前 性价比最高 的本地推理模型之一。很多开发者用它来跑在树莓派、旧手机或者低配云服务器上，做聊天机器人、文本摘要甚至代码补全。GitHub 上已经有不少基于 Qwen3-0.6B 的 “离线 AI 助手” 项目，

Q: 2. Qwen3-8B：中杯旗舰，打工人最强副手

它是做什么的？ 这是 Qwen3 系列的中杯型号，80 亿参数。它比 0.6B 聪明得多，但又不像 72B 那样吃显卡。支持 32K 上下文，在数学、代码、推理等任务上表现接近 GPT-3.5 的水平。 为什么值得关注？ 1173 个点赞，接近 1500 万次下载。它火的原因很简单：它是目前“能跑得起”的大模型里，智商最高的之一。一张 24GB 显存的 RTX 4090 就能全精度运行，如果量化成 4bit，甚至可以在 16GB 显存的消费级显卡上流畅跑。GitHub 上已经有开发者用它搭建了 个人知识库 RAG 系统，配合 LangChain，处理 10 万字的 PDF 文档毫无压力。还有

Q: 3. facebook/opt-125m：开源界的“活化石”，为什么还在被疯狂下载？

它是做什么的？ 这是 Meta（原 Facebook）在 2022 年发布的 OPT 系列最小的模型，1.25 亿参数。说实话，以今天的标准看，它的能力非常有限，生成文本经常逻辑不通，更别提写代码了。 为什么值得关注？ 看到它 267 个点赞，超过 1340 万次下载，我一开始也惊了。仔细分析才发现，它被大量用于 学术研究和教学。很多大学的 AI 课程用它来讲解 Transformer 原理，因为模型小，学生可以在自己的笔记本上跑完整的前向传播和反向传播。另外，它也是 模型压缩和蒸馏实验 的常用基底模型。GitHub 上有一个叫 “TinyStories” 的项目，就用 OPT-125M 做

Q: 4. openai-community/gpt2：经典永流传，API 开发者的秘密武器

它是做什么的？ GPT-2，2019 年的老模型，1.5 亿参数。虽然现在 GPT-4 都出了，但 GPT-2 作为开源社区最早、最成熟的预训练模型之一，依然有大量应用。 为什么值得关注？ 3325 个点赞（榜单最高），1320 万次下载。它的生命力在于 生态极其成熟。几乎所有的 NLP 框架（HuggingFace Transformers、TF、PyTorch）都对 GPT-2 做了深度适配。很多 文本生成 API 的 demo 直接用 GPT-2 作为后端，因为它响应快、成本低。最近 GitHub 上有个热门项目叫 “GPT-2 写小说”，用 fine-tune 后的 GPT-2 生成

Q: 5. Qwen2.5-7B-Instruct：上一代旗舰，依然能打，性价比之王

它是做什么的？ 这是 Qwen2.5 系列的 7B 指令微调版本。虽然 Qwen3 已经发布，但 Qwen2.5-7B 凭借其稳定的表现和广泛的开源生态，依然是很多生产环境的首选。 为什么值得关注？ 1394 个点赞，近 1300 万次下载。它火的原因很实在：便宜、稳定、资料多。很多企业级的私有化部署项目，因为 Qwen3 刚出，还在做兼容性测试，所以大量生产环境依然跑在 Qwen2.5-7B 上。GitHub 上关于它的微调教程、量化教程、部署教程多如牛毛。比如有人用 LoRA 微调了它，专门用来做 法律合同审查，准确率比通用模型高 20%。 值得一试： 如果你要做一个 严肃的、需要长期维

嗨，各位开源社区的朋友们！又到了每周一次的模型盘点时间。这周 HuggingFace 的热榜数据很有意思，虽然榜单上没有出现全新的“爆款”模型，但 Qwen（通义千问）家族 几乎屠榜了下载量和点赞数。同时，一些“老将”如 GPT-2 和 OPT-125M 依然保持着惊人的下载量，这背后反映的是开源社区对 轻量级、易部署模型 的持续渴求。

我们结合 HuggingFace 官方数据和 GitHub 上的相关项目动态，给大家拆解一下这周最值得关注的 5 个模型/项目。话不多说，直接上干货。

1. Qwen3-0.6B：小身材，大能量，边缘设备的福音

它是做什么的？ 这是阿里云 Qwen 团队最新发布的小参数语言模型，仅有 6 亿参数（0.6B）。别看它小，它继承了 Qwen3 系列的核心架构，支持 32K 的上下文长度，并且针对文本生成进行了深度优化。

为什么值得关注？ 数据不会骗人：1378 个点赞，超过 2800 万次下载，这个数据在最近一个月内直接冲到了 HuggingFace 总榜第一。为什么一个小模型这么火？因为它是目前 性价比最高 的本地推理模型之一。很多开发者用它来跑在树莓派、旧手机或者低配云服务器上，做聊天机器人、文本摘要甚至代码补全。GitHub 上已经有不少基于 Qwen3-0.6B 的 “离线 AI 助手” 项目，比如有人用它做了一个纯本地运行的英语口语陪练 App，延迟不到 200ms。

值得一试： 如果你手头有老旧设备，或者想搞一个完全免费的、无需联网的 AI 工具，Qwen3-0.6B 绝对是首选。直接去 HuggingFace 下载 GGUF 量化版本，用 llama.cpp 就能跑，非常丝滑。

2. Qwen3-8B：中杯旗舰，打工人最强副手

它是做什么的？ 这是 Qwen3 系列的中杯型号，80 亿参数。它比 0.6B 聪明得多，但又不像 72B 那样吃显卡。支持 32K 上下文，在数学、代码、推理等任务上表现接近 GPT-3.5 的水平。

为什么值得关注？ 1173 个点赞，接近 1500 万次下载。它火的原因很简单：它是目前“能跑得起”的大模型里，智商最高的之一。一张 24GB 显存的 RTX 4090 就能全精度运行，如果量化成 4bit，甚至可以在 16GB 显存的消费级显卡上流畅跑。GitHub 上已经有开发者用它搭建了 个人知识库 RAG 系统，配合 LangChain，处理 10 万字的 PDF 文档毫无压力。还有团队用它做了自动写周报、分析 Excel 数据的办公插件，实测错误率比 GPT-3.5 低不少。

值得一试： 如果你的显卡在 8GB 以上，或者你有云 GPU 预算（比如 AutoDL 上租卡一小时才几块钱），直接上 Qwen3-8B。它比 Qwen2.5-7B 强一截，尤其在中英文混合场景下，输出更自然。

3. facebook/opt-125m：开源界的“活化石”，为什么还在被疯狂下载？

它是做什么的？ 这是 Meta（原 Facebook）在 2022 年发布的 OPT 系列最小的模型，1.25 亿参数。说实话，以今天的标准看，它的能力非常有限，生成文本经常逻辑不通，更别提写代码了。

为什么值得关注？ 看到它 267 个点赞，超过 1340 万次下载，我一开始也惊了。仔细分析才发现，它被大量用于 学术研究和教学。很多大学的 AI 课程用它来讲解 Transformer 原理，因为模型小，学生可以在自己的笔记本上跑完整的前向传播和反向传播。另外，它也是 模型压缩和蒸馏实验 的常用基底模型。GitHub 上有一个叫 “TinyStories” 的项目，就用 OPT-125M 做实验，证明了小模型也能学会叙事逻辑。

值得一试： 如果你是 AI 新手，想理解“大模型到底是怎么工作的”，下载一个 OPT-125M，用 PyTorch 的 forward hook 看看每一层的输出，比看一百篇论文都管用。老模型也有老模型的魅力。

4. openai-community/gpt2：经典永流传，API 开发者的秘密武器

它是做什么的？ GPT-2，2019 年的老模型，1.5 亿参数。虽然现在 GPT-4 都出了，但 GPT-2 作为开源社区最早、最成熟的预训练模型之一，依然有大量应用。

为什么值得关注？ 3325 个点赞（榜单最高），1320 万次下载。它的生命力在于 生态极其成熟。几乎所有的 NLP 框架（HuggingFace Transformers、TF、PyTorch）都对 GPT-2 做了深度适配。很多 文本生成 API 的 demo 直接用 GPT-2 作为后端，因为它响应快、成本低。最近 GitHub 上有个热门项目叫 “GPT-2 写小说”，用 fine-tune 后的 GPT-2 生成玄幻小说，虽然文笔比不上大模型，但胜在可控性强，不会瞎编人物关系。

值得一试： 如果你想快速搭建一个 文本生成 API 或者做 prompt 工程实验，GPT-2 是绝佳的测试平台。而且它太轻了，CPU 都能跑，非常适合教学和 prototyping。

5. Qwen2.5-7B-Instruct：上一代旗舰，依然能打，性价比之王

它是做什么的？ 这是 Qwen2.5 系列的 7B 指令微调版本。虽然 Qwen3 已经发布，但 Qwen2.5-7B 凭借其稳定的表现和广泛的开源生态，依然是很多生产环境的首选。

为什么值得关注？ 1394 个点赞，近 1300 万次下载。它火的原因很实在：便宜、稳定、资料多。很多企业级的私有化部署项目，因为 Qwen3 刚出，还在做兼容性测试，所以大量生产环境依然跑在 Qwen2.5-7B 上。GitHub 上关于它的微调教程、量化教程、部署教程多如牛毛。比如有人用 LoRA 微调了它，专门用来做 法律合同审查，准确率比通用模型高 20%。

值得一试： 如果你要做一个 严肃的、需要长期维护的 AI 应用，建议先用 Qwen2.5-7B 打底。等 Qwen3 的社区生态成熟了再迁移。目前它的 vLLM 推理优化做得最好，吞吐量非常可观。

博主点评： 这周的热榜其实反映了一个趋势：开源社区正在从“追新”转向“务实”。大家不再盲目追求 100B+ 的大模型，而是更关注 小模型在端侧的落地、老模型的复用价值、以及成熟生态的稳定性。Qwen3 系列虽然新，但它的成功恰恰是因为它 把“小”做到了极致（0.6B 和 8B）。而 GPT-2 和 OPT-125M 的持续火热，也提醒我们：很多时候，一个模型的价值不在于它有多强，而在于它 对社区有多友好。

最后，如果你觉得这期盘点对你有帮助，欢迎在评论区告诉我你想了解哪个模型的详细部署教程。我们下期见！

数据来源：HuggingFace Models API，OpenRouter 排行榜，GitHub Trending。数据采集时间：2026-07-03。