Previsione della Crescita dei Modelli AI Open-Weight su Hugging Face

Forecasting Open-Weight AI Model Growth on Hugging Face

February 21, 2025

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

cs.AI

Abstract

Mentre il panorama dei modelli AI open-weight continua a proliferare, con lo sviluppo di nuovi modelli, investimenti significativi e un crescente interesse da parte degli utenti, diventa sempre più importante prevedere quali modelli guideranno l'innovazione e plasmeranno gli ecosistemi dell'IA. Basandoci su analogie con le dinamiche delle citazioni nella letteratura scientifica, proponiamo un framework per quantificare come evolve l'influenza di un modello open-weight. Nello specifico, adattiamo il modello introdotto da Wang et al. per le citazioni scientifiche, utilizzando tre parametri chiave—immediatezza, longevità e fitness relativa—per tracciare il numero cumulativo di modelli fine-tuned derivati da un modello open-weight. I nostri risultati rivelano che questo approccio basato sulle citazioni può catturare efficacemente le diverse traiettorie di adozione dei modelli open-weight, con la maggior parte dei modelli che si adattano bene e gli outlier che indicano pattern unici o improvvisi picchi nell'utilizzo.

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.