Pronóstico del Crecimiento de Modelos de IA de Código Abierto en Hugging Face

Forecasting Open-Weight AI Model Growth on Hugging Face

February 21, 2025

Autores: Kushal Raj Bhandari, Pin-Yu Chen, Jianxi Gao

cs.AI

Resumen

A medida que el panorama de IA de pesos abiertos continúa proliferando—con el desarrollo de modelos, inversiones significativas y el interés de los usuarios—se vuelve cada vez más importante predecir qué modelos impulsarán finalmente la innovación y moldearán los ecosistemas de IA. Basándonos en paralelismos con la dinámica de citas en la literatura científica, proponemos un marco para cuantificar cómo evoluciona la influencia de un modelo de pesos abiertos. Específicamente, adaptamos el modelo introducido por Wang et al. para citas científicas, utilizando tres parámetros clave—inmediatez, longevidad y aptitud relativa—para rastrear el número acumulado de modelos ajustados de un modelo de pesos abiertos. Nuestros hallazgos revelan que este enfoque de estilo de citas puede capturar efectivamente las diversas trayectorias de adopción de modelos de pesos abiertos, con la mayoría de los modelos ajustándose bien y los valores atípicos indicando patrones únicos o saltos abruptos en el uso.

English

As the open-weight AI landscape continues to proliferate-with model development, significant investment, and user interest-it becomes increasingly important to predict which models will ultimately drive innovation and shape AI ecosystems. Building on parallels with citation dynamics in scientific literature, we propose a framework to quantify how an open-weight model's influence evolves. Specifically, we adapt the model introduced by Wang et al. for scientific citations, using three key parameters-immediacy, longevity, and relative fitness-to track the cumulative number of fine-tuned models of an open-weight model. Our findings reveal that this citation-style approach can effectively capture the diverse trajectories of open-weight model adoption, with most models fitting well and outliers indicating unique patterns or abrupt jumps in usage.