Interconnects AI推出开放模型项目Artifacts Hub

现在正好是分享我们 @interconnectsai 新项目的好时机，这个项目是为了帮大家理清近期加速发布的开源权重模型。Artifacts Hub 基于我们每月的开源模型综述，以及我们对 @huggingface 上所有模型的日常监控打造而成。

新增的免费资源包括：
1. Artifacts Hub —— 一个 curated 整理页面，展示 Hugging Face 上的趋势模型，整合了 Open Router 提供的推理token入口、Artificial Analysis 提供的模型智能数据，还有我们基于 Hugging Face 数据定制的采用率指标。

2. 我们的 Adoption Dashboard —— 一个动态仪表板，按地区和机构统计下载量与衍生模型数量。它清晰展现了中美之间的差距，以及开源生态中不断崛起的新参与者。

到目前为止，我们 Interconnects 的主要工作一直是整理热门模型的发布回顾，比如 Kimi K3、GLM 5.2、DeepSeek R1 等等，还有每月发布重要开源模型综述 Artifacts Log。

我们现在在此基础上进行扩展，依托我们为 ATOM Project（及相关报告）等其他项目收集的工具和内部数据来打造这些新资源。

这让我们能够梳理我们对开源模型生态的视角，开发研究巨型 MoE 模型采用率的方法，覆盖相关的所有工作。我们免费分享这些工具，帮助开源生态发掘优势、实现增长。

目前 Artifacts Hub 覆盖了过去两年发布的 792 个模型，包含核心文本-focused 语言模型和多模态生成模型。

在 Interconnects，我们跟踪 Hugging Face 上每一个模型的数据，分析数千个核心大语言模型（这份列表在 GitHub 公开，会定期更新），然后手动挑选出数百个核心模型进行进一步解读。

对于最热门的模型，Hub 可以让你快速看到：基于 Artificial Analysis 的智能指数，该模型与前沿智能水平的差距；对比该模型与同类模型在 Hugging Face 和 Open Router 上的采用情况；查看经过时间-尺寸归一化下载量计算的相对采用率指标（RAM）得分，或者查看相关代次模型的 VAIL 相似度指数。

下方就是 GLM-5.2 的页面快照示例。

感谢 VAIL 的 @mnshah 鼓励我们做这个项目，也感谢 @huggingface、@OpenRouter 和 @ArtificialAnlys 公开提供了这些非常有用的数据。