Voorspelling van de Groei van Open-Weight AI-modellen op Hugging Face

Forecasting Open-Weight AI Model Growth on Hugging Face

February 21, 2025

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

cs.AI

Samenvatting

Naarmate het open-weight AI-landschap zich blijft uitbreiden—met modelontwikkeling, aanzienlijke investeringen en gebruikersinteresse—wordt het steeds belangrijker om te voorspellen welke modellen uiteindelijk innovatie zullen aansturen en AI-ecosystemen zullen vormgeven. Geïnspireerd door parallellen met citatiedynamiek in wetenschappelijke literatuur, stellen we een raamwerk voor om te kwantificeren hoe de invloed van een open-weight model zich ontwikkelt. Specifiek passen we het model van Wang et al. voor wetenschappelijke citaties aan, waarbij we drie sleutelparameters gebruiken—onmiddellijkheid, duurzaamheid en relatieve geschiktheid—om het cumulatieve aantal fine-tuned modellen van een open-weight model te volgen. Onze bevindingen tonen aan dat deze citatie-achtige aanpak effectief de diverse trajecten van adoptie van open-weight modellen kan vastleggen, waarbij de meeste modellen goed passen en uitschieters unieke patronen of abrupte sprongen in gebruik aangeven.

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.