גל-האקוסיסטם של מודלי-הבסיס בקוד-פתוח (Open-Source AI Foundation Model Wave)
הגדרה
הצמיחה המתועדת של אקוסיסטם שלם סביב מודלי-בסיס במשקלים-פתוחים — Llama של Meta, Mistral, Qwen של Alibaba ו-DeepSeek — הכולל מיליוני גרסאות-נגזרות, כלי-הרצה-מקומית וספקי-תשתית, לא רק את החברות שמשחררות את המודלים עצמם.
לא מירוץ תחרותי — שכבת-אקוסיסטם
חשוב להבחין בין הערך הזה לבין השאלה "מי מנצח" בתחרות בין מודלים סגורים לפתוחים. הערך משקלים פתוחים מסביר את המושג הבסיסי ואת ההבדל בין "משקלים-פתוחים" ל"קוד-פתוח" במלוא-המובן. הערך הנוכחי עוסק בתופעה שונה, שמתועדת בנפרד: מאז 2023, סביב כמה חברות ששחררו משקלי-מודל לציבור — Meta, Mistral, Alibaba ו-DeepSeek — צמח אקוסיסטם שלם של שכבות נוספות שאף אחת מהחברות האלה לא בנתה בעצמה: מיליוני גרסאות-נגזרות (Fine-tunes) שקהילת-מפתחים בנתה על-גבי המודלים הבסיסיים, כלי-הרצה-מקומית, וספקי-תשתית-ענן שהתמחו בהרצת המודלים האלה. זה האפקט-הכלכלי-והטכני שהתופעה הזו בודקת — לא מי "מנצח", אלא מה נבנה מעל.
Meta ו-Llama: המפעיל שהצהיר על אסטרטגיית-אקוסיסטם
מכתבו הפומבי של מארק צוקרברג מיולי 2024, "קוד-פתוח-AI הוא הדרך קדימה", והנימוק העסקי שמאחורי שחרור Llama בחינם מתועדים בהרחבה בערך הנפרד מירוץ משקלים-פתוחים מול משקלים-סגורים. מה שרלוונטי כאן הוא הצד שהמכתב עצמו מדגיש: המטרה אינה רק לפרסם קובץ-מודל אלא לבנות אקוסיסטם שלם סביבו — במכתב מציין צוקרברג ש-Amazon, Databricks ו-NVIDIA משיקות חבילות-שירותים מלאות לכוונון-עדין ולזיקוק של מודלים, ש-Groq בנתה שירות-הסקה מהיר וזול, ש-Scale.AI, Dell ו-Deloitte מסייעות לארגונים לאמץ את Llama, ושהמודלים זמינים בכל ענני-הענק (AWS, Azure, גוגל, Oracle) — בדיוק שכבת-התשתית שהערך הזה עוסק בה.
Mistral ו-DeepSeek: רישיונות שונים, אותה תבנית
Mistral AI, חברה צרפתית, שחררה כבר ב-11 בדצמבר 2023 את Mixtral 8x7B תחת רישיון Apache 2.0 המתירני — מודל "תערובת-מומחים" (Mixture of Experts) שהחברה תיארה כמודל-הפתוח החזק ביותר עם רישיון מתירני, והצהירה שחשוב לה "לאפשר לקהילה להפיק תועלת ממודלים מקוריים כדי לטפח המצאות ושימושים חדשים". DeepSeek, מעבדה סינית, הלכה צעד נוסף קדימה ב-20 בינואר 2025: שחררה את משקלי DeepSeek-R1 תחת רישיון MIT — מתירני עוד יותר מרישיון-הקהילה המקורי של Llama, בלי הגבלת-שימוש-מסחרי לפי גודל-חברה — יחד עם שישה מודלים מזוקקים (Distilled) קטנים יותר. חשוב: המודלים המזוקקים האלה נבנו על-גבי בסיסי Qwen ו-Llama — כלומר DeepSeek עצמה השתמשה במודלים הפתוחים של Alibaba ו-Meta כחומר-גלם לשחרור שלה, דוגמה ישירה לאופן שבו מעבדות שונות בונות זו על-גבי-זו בתוך האקוסיסטם הפתוח, לא רק מתחרות זו בזו בנפרד. יחד עם זאת, שחרור-משקלים אינו מקביל לשחזור-אימון מלא: DeepSeek לא פרסמה את מערך-האימון של 14.8 טריליון האסימונים (Tokens) ששימש לאימון-המקדים של דגם-הבסיס DeepSeek-V3 שעליו נבנה R1, את קוד-צינור-הלמידה-המחיזקת (RL), או את הרכב-נתוני-האתחול. גם רישיון ה-MIT עצמו חל על R1 ו-R1-Zero בלבד; המודלים המזוקקים יורשים את רישיונות דגמי-הבסיס שלהם (Apache 2.0 של Qwen, רישיונות Llama).
Qwen של Alibaba: מהמודל הפתוח לרשת-ההפצה הגדולה בעולם
עד אמצע 2026 הפכה משפחת Qwen של Alibaba לעוגן-ההורדה הגדול ביותר באקוסיסטם הפתוח: לפי דיווח מבוסס-Hugging Face שפורסם ב-15 באוגוסט 2026, Qwen צברה, לפי דיווח החברה עצמה, למעלה מ-3 מיליארד הורדות עולמיות בחצי-השנה שקדמה לדיווח — מול נתוני-הפלטפורמה של Hugging Face ל-2026, שבהם Meta עמדה על כ-227 מיליון וגוגל על כ-418 מיליון. חשוב לסייג: אלה שתי שיטות-ספירה שונות (נתון עולמי מדווח-חברה מול נתוני-פלטפורמה אחת), ולכן ההשוואה ביניהן אינה מדויקת. Alibaba שחררה למעלה מ-460 גרסאות-מודל שונות במשפחת Qwen, וקהילת-המפתחים בנתה עליהן יותר מ-113,000 גרסאות-נגזרות רשומות בקטלוג Hugging Face (ועוד כ-200,000 נוספות שרק מתויגות כקשורות ל-Qwen) — יותר מהנגזרות של גוגל ו-Meta גם יחד. דוח Hugging Face שצוטט בסיקור מתאר את Qwen כמי ש"הפכה לחלק מזרימת-העבודה שבברירת-מחדל עבור מפתחים שמחליטים אילו מודלים לכוונן ולפרוס".
שכבת-הכלים: Hugging Face ו-Ollama
מעל שכבת-המודלים-עצמם קמה שכבת-כלים שהופכת אותם לשימושיים בפועל. Hugging Face, פלטפורמת-האחסון והשיתוף המרכזית לקוד-פתוח ב-AI, עברה את רף שלושת-מיליון-המודלים-הציבוריים ב-21 באוגוסט 2026 (לפי ספירה מדויקת של 3,012,377), בקצב-גידול של כ-2,700 עד 3,000 מודלים חדשים ביום. במקביל קם שוק-כלים להרצה מקומית: Ollama, פלטפורמת-קוד-פתוח שנוסדה ב-2023, מאפשרת למשתמש להוריד ולהריץ מודלים כמו Llama, Gemma, Mistral, Qwen ו-DeepSeek ישירות על המחשב האישי או על שרת-פרטי. היא נבנתה במקור על מנוע ההרצה llama.cpp, ומאז 2025 מריצה מנוע משלה מבוסס-ggml. ביולי 2026 גייסה Ollama סבב B של 65 מיליון דולר (כ-88 מיליון דולר במצטבר) וצברה כ-9 מיליון משתמשים — עדות לכך שהרצה-מקומית של מודלים פתוחים הפכה משוק-נישה לפרקטיקה נפוצה.
למה זה אקוסיסטם רב-שכבתי, לא שני מחנות מתחרים
מה שהופך את התופעה הזו לתופעה חוצת-שחקנים במובן העמוק ביותר — לא רק כמה חברות משחררות מודלים, אלא כמה שכבות שונות של שחקנים תלויות זו בזו — הוא שהאקוסיסטם כולל בו-זמנית ארבעה סוגי-משתתפים נפרדים: מעבדות שמשחררות את המודלים הבסיסיים (Meta, Mistral, Alibaba, DeepSeek), ספקי-תשתית שמריצים אותם בקנה-מידה (Groq, ענני-הענק הגדולים), כלי-הפצה-והרצה-מקומית (Hugging Face, Ollama, llama.cpp), וקהילת-מפתחים שיוצרת מיליוני גרסאות-נגזרות. המודלים המזוקקים של DeepSeek, שנבנו על בסיסי Qwen ו-Llama גם יחד, מראים שהשכבה הראשונה בעצמה כבר לא נפרדת — מעבדה אחת בונה על-גבי השחרורים הפתוחים של מעבדות מתחרות. התוצאה היא רשת-תלות-הדדית, לא רק שתי חזיתות (פתוח מול סגור) שמתחרות זו בזו על נתח-שוק.
📬 הגיליון השבועי של Wiki-AI
פעם בשבוע, ביום ראשון: שלושת הדברים החשובים שקרו בעולם הבינה המלאכותית, בעברית פשוטה, וערכים חדשים באנציקלופדיה. לגיליונות
שאלות נפוצות ❓
מה ההבדל בין הערך הזה לבין משקלים פתוחים?
משקלים פתוחים מסביר את המושג הבסיסי — מה זה שחרור-משקלים ואיך הוא שונה מקוד-פתוח מלא. הערך הזה עוסק בתופעה שצמחה סביב השחרורים האלה: אקוסיסטם שלם של נגזרות, כלים וספקי-תשתית.
אילו חברות משחררות היום מודלי-בסיס במשקלים-פתוחים?
לפחות ארבע מעבדות מרכזיות: Meta (Llama), Mistral AI, Alibaba (Qwen) ו-DeepSeek — כל אחת עם רישיון שונה במקצת.
למה DeepSeek בנתה חלק מהמודלים שלה על בסיס Qwen ו-Llama?
DeepSeek שחררה שישה מודלים מזוקקים (Distilled) קטנים יותר מ-DeepSeek-R1, שנבנו על-גבי בסיסי Qwen ו-Llama — דוגמה לכך שמעבדות בונות זו על-גבי השחרורים הפתוחים של מתחרותיה, לא רק מתחרות בנפרד.
כמה מודלים יש היום ב-Hugging Face?
יותר משלושה מיליון מודלים ציבוריים נכון ל-21 באוגוסט 2026, בקצב-גידול של כ-2,700 עד 3,000 מודלים חדשים ביום.
מה עושה Ollama?
פלטפורמת-קוד-פתוח שנוסדה ב-2023 ומאפשרת להוריד ולהריץ מודלים פתוחים כמו Llama, Mistral, Qwen ו-DeepSeek ישירות על מחשב אישי או שרת פרטי. נבנתה במקור על מנוע llama.cpp, ומאז 2025 מריצה מנוע משלה מבוסס-ggml.