검열 없는 모델 리더보드: 다운로드 수는 실제로 무엇을 측정하는가

검열되지 않은 모델을 능력 기준으로 순위를 매기는 정직한 방법은 없으며, 그렇게 한다고 주장하는 모든 리더보드는 조용히 다른 무언가를 순위화하고 있습니다 — 보통은 다운로드 수인데, 이는 능력이 아니라 배포량을 측정합니다. 그래서 이것은 다른 종류의 리더보드입니다: 출처 장부입니다. 6개의 기본 모델에서 파생된 15개 저장소 중 열 개는 Qwen3.8-27B 기반으로 만들어졌고, 나머지는 Qwen3.8-Flash-Next, Qwen-Image-2.1, Gemma-4-E4B, GLM-5.3, DeepSeek-V4.1-Flash를 기반으로 합니다 — 이 장부는 가중치가 어느 기본 모델에서 왔는지, 거부 행동을 제거하는 데 사용된 어블레이션 방법, 파일이 제공되는 양자화 방식, 저장소의 게이트 여부, 2026-10-21 기준 다운로드 수를 기록합니다. 순서는 점수가 아니라 기본 모델 기준입니다. 어떤 모델을 선택해야 하는지 알려 주는 숫자를 원한다면, 정직한 답은 그 숫자가 아직 존재하지 않는다는 것입니다 — 이것은 이 블로그의 기존 검열되지 않은 모델 관련 보도가 계속 주장해 온 논점이며, 사건 기록이 일반적인 능력 주장에 관해 제기하는 것과 같은 논점입니다.

원장이 진짜로 잘하는 일은 그와는 다르고 더 유용합니다. 원장은 어떤 아티팩트가 존재하는지, 누가 만들었는지, 어떻게 만들어졌는지, 그리고 그중 어떤 것이 실제로 가져다 쓰이고 있는지를 알려줍니다. 흥미로운 이견들이 사는 곳은 바로 그 마지막 열입니다.

기계적으로 볼 때 다운로드 수란 무엇인가

Hugging Face 다운로드 수는 파일을 가져올 때마다 증가합니다. 사람이 가져올 때, 스크립트가 가져올 때, CI 작업이 가져올 때, 미러가 가져올 때, 평가 하네스가 같은 가중치를 열한 번째로 가져올 때도요. 이는 가져오기 횟수 카운터입니다. 사용자 수가 아니고, 설치 수가 아니며, 품질 신호도 아닙니다. 사람들이 실패할 때마다 다시 다운로드하는 20GB GGUF를 제공하는 저장소는 사람들이 한 번만 가져오는 4GB 양자화 모델을 제공하는 더 나은 저장소보다 더 많은 가져오기 횟수를 누적하게 됩니다.

이어서 두 가지 구조적 편향이 나타나며, 이는 아래의 격차 대부분을 설명합니다. 첫째, 양자화가 다운로드를 이끌고: 8가지 양자화 수준을 제공하는 GGUF 저장소는 사용자의 VRAM이 허용하는 수준으로 다운로드되며, 인기 있는 수준은 사람들이 실험하면서 반복적으로 다운로드됩니다. 둘째, 파일 형식이 누가 이를 사용할 수 있는지를 결정합니다: 양자화되지 않은 safetensors 빌드는 전체 정밀도 메모리 예산을 갖춘 사람만 사용할 수 있으므로, 다운로드 수는 관심보다는 하드웨어에 의해 제한됩니다. 그래서 같은 모델의 GGUF가 전체 정밀도 릴리스보다 거의 항상 10배 더 많이 다운로드되며, 그 격차를 품질 판정으로 해석하는 것이 범주 오류인 것입니다.

하나의 베이스, 아홉 가지 파생형, 60배에 이르는 폭

Qwen3.8-27B 클러스터는 표본에서 가장 깔끔한 자연 실험이다. 아래 카드에 있는 아홉 개 저장소는 모두 동일한 27B 기반으로 거슬러 올라가고, 모두 거부 행동을 제거한다는 동일한 목표를 내걸고 있으며, 다운로드 수는 엄청나게 차이가 난다.

상위 3개 — 2.58M의 JonathanColetti, 2.43M의 huihui-ai의 abliterated GGUF, 2.36M의 HauhauCS의 공격적인 MTP 빌드 — 는 서로 9% 이내에 있으며 모두 2026년 8월 중순의 같은 4일 기간에 만들어졌습니다. 이 군집화는 우연도 아니고 순위도 아닙니다. 그것은 여러 파생 모델 제작자들이 일주일 안에 같은 베이스를 기반으로 움직일 때, 각자 조금씩 다른 레시피를 가지고 움직일 때 모델 출시가 어떤 모습인지를 보여주는 것입니다.

개수보다는 산출물을 비교하라. JonathanColetti, huihui-ai 및 0bserverx는 모두 동일한 베이스에 대한 거부 제거 편집을 설명한다. DavidAU의 항목은 병합이다. 즉 파인튜닝 위에 파인튜닝을 쌓은 것으로, 저장소 이름에 있는 일련의 수정자들이 원래 베이스가 아니라 이전 파생물로 거슬러 올라간다. HauhauCS의 빌드는 MTP, 즉 다중 토큰 예측을 내세우는데, 이는 검열 속성이라기보다 속도 속성이다. 이들은 하나의 부모를 공유한다는 이유로 한 목록에 나란히 있는 네 가지 서로 다른 종류의 산출물이다. 다운로드 수는 이들을 구분하지 못하며, 수로 정렬한 리더보드는 그 병합을 4위에 놓고 더 나쁜 abliteration이라고 부를 것이다.

좋아요와 다운로드 수가 20배 이상 차이가 납니다

Hugging Face는 좋아요도 기록하는데, 두 카운터 사이의 비율은 표본에서 가장 많은 정보를 주는 파생 수치다. 조직 자체의 FP8 빌드는 다운로드 126,807건에 좋아요 1,832개로, 대략 다운로드 69건당 좋아요 1개꼴이다. 다운로드 수가 20배 더 많은 JonathanColetti의 빌드는 좋아요가 1,651개로, 대략 다운로드 1,560건당 좋아요 1개꼴이다.

그 격차는 한 저장소가 사랑받고 다른 저장소가 무시받는다는 뜻이 아니다. 그것은 두 카운터가 서로 다른 모집단을 측정하고 있다는 뜻이다. 다운로드는 그 파일을 원하는 머신 수에 따라 증가하고, 좋아요는 페이지를 거쳐 간 Hugging Face 계정 수에 따라 증가한다. 추론 제공자, 하네스, CI 작업에서 널리 사용되는 저장소는 인간의 참여에 비해 터무니없이 높은 다운로드 수를 보일 수 있는데, 트래픽 대부분이 사람이 아니기 때문이다. 수치를 읽기 전에 비율을 읽어라: 다운로드 대비 좋아요 비율이 높다는 것은 그 산출물이 인프라가 되었다는 신호이며, 인프라 트래픽은 그 모델이 얼마나 좋은지에 대해 아무것도 알려주지 않는다.

게이팅은 그 숫자가 의미하는 바를 바꿉니다

15개 저장소 중 4개는 게이트가 적용되어 있으며, 그 게이트는 가용성에 대한 각주라기보다 출처 필드입니다. 게이트가 적용된 저장소도 다운로드를 집계하지만, 약관에 동의한 계정에서만 집계하므로 그 수는 관심도가 아니라 접근 가능한 인구에 의해 제한됩니다. 게이트가 적용된 저장소의 다운로드를 게이트가 없는 저장소의 다운로드와 비교하는 것은 서로 다른 두 분모를 비교하는 것입니다.

표본에서 가장 명확한 사례는 검열되지 않은 27B를 기반으로 구축된 사이버보안 파생 모델이다: 다운로드 28,009회, 게이트 적용, 2026-09-26 생성. 이는 원장에서 가장 최신 저장소이자 두 번째로 다운로드가 적은 저장소이지만, 어느 사실도 그 역량에 대한 증거는 아니다. 다운로드량을 만들어내는 집단이 접근할 수 없었을 뿐인데, 접근하려면 요청이 필요하기 때문이다.

그 패턴은 일반화되며, 실사를 수행하는 사람에게 게이트된 열이 다운로드 수 열보다 더 중요한 이유가 바로 여기에 있습니다. 열다섯 개 중 세 개—27B의 FP8 및 GGUF 빌드와 Flash-Next GGUF—는 자동 승인 뒤에 있으며, 나머지는 공개되어 있습니다. 다운로드 수가 높은 게이트되지 않은 무검열 모델은 규모가 큰 캐주얼 사용자층을 갖습니다. 다운로드 수가 적은 게이트된 모델은 보안 팀이 찾고 있는 바로 그것일 수 있지만, 그 다운로드 수는 결코 그 사실을 말해 주지 않습니다.

장부에 있는 나머지 네 기지가 보여주는 것

프레임을 넓히면 표본이 동질적이지 않기 때문에 카운트 열은 해석하기가 더욱 어려워집니다.

• Qwen-Image-2.1, 양자화 버전, 다운로드 2,788,283회. 원장에서 가장 큰 저장소는 이미지 모델이다. 이는 검열되지 않은 언어 모델이 아니며, 그 존재는 "uncensored"라는 단어가 이제 실제 아티팩트가 무엇이든 관계없이 모든 모달리티에 적용되는 태깅 관례임을 상기시킨다.

• Qwen3.8-Flash-Next, GGUF, 다운로드 869,081회, 접근 제한됨. 파생 모델들이 실제 상당한 도달 범위를 축적한 더 작은 기반 모델이지만, 27B 군집의 일부에 불과합니다.

• GLM-5.3, FP8, 103,568회 다운로드. 무검열 빌드가 아니라 사이버 보안 빌드로 표시되어 있으며, 다른 기반 모델 계열 위에 구축되었습니다. 의도는 다르지만 인접한 사용자층을 대상으로 합니다.

• DeepSeek-V4.1-Flash, FP8, 다운로드 52,502회. 저장소는 하나뿐이며, GGUF 형제 모델도, MLX 형제 모델도 없습니다. 이 수치는 단일 서빙 형식만을 반영하므로 하드웨어 대상이 더 좁습니다.

네 가지 근거, 같은 칼럼에 대한 네 가지 서로 다른 설명. 이들을 하나의 정렬된 목록으로 섞어 놓는 모든 리더보드는 행마다 의미가 달라지는 숫자를 만들어 내고 있다.

점수가 없는 원장을 읽는 방법

읽기 규율은 짧으며, 어떤 출처 기록에든 적용하는 것과 동일한 규율이다.

• 기본 모델부터 시작하세요. 이름이 아무리 비슷하더라도 부모가 다른 두 저장소는 비교할 수 없습니다. DavidAU 항목의 부모는 원본 모델이 아니라 또 다른 파생 모델이라는 점에 유의하세요.

• 그다음은 방법입니다. Abliteration, 병합, MTP-tuned, 양자화 전용. 첫 번째는 가중치에서 방향을 제거해 동작을 바꾸고, 두 번째는 가중치를 혼합해 동작을 바꾸며, 세 번째는 속도를 바꾸고, 네 번째는 동작에는 전혀 영향을 주지 않습니다.

• 그다음은 형식입니다. 메모리 예산 전반의 로컬 추론에는 GGUF, 데이터센터 서빙에는 FP8, Apple 실리콘에는 MLX, 참조 및 추가 학습에는 비양자화 형식입니다. 형식은 품질보다 다운로드량을 더 강하게 예측합니다.

• 다음은 게이트입니다. 개방형, 자동 승인, 또는 제한형. 이 항목은 비정상적으로 낮은 수치를 가장 자주 설명해 주는 필드입니다.

• 마지막으로, 다운로드 수 — 그리고 오직 동일 형식 내 비교로서만.한 GGUF의 다운로드 수를 다른 GGUF의 다운로드 수와 비교하는 것은 정당화될 수 있습니다. GGUF를 FP8 빌드와 비교하는 것은 두 분포를 비교하는 것입니다.

원장이 전혀 도움이 될 수 없는 부분은 모두가 실제로 품고 있는 질문이다. 즉, 거부가 사라진 뒤 이들 중 무엇이 가장 잘 작동하는가이다. 그것은 실제로 실행해 봐야 알 수 있으며, 실행에 대한 정직한 틀은 이 블로그가 전에 사용한 것과 같다. abliteration은 지식을 더하지 않은 채 행동 하나를 제거하므로, 더 작은 abliterated 모델은 더 큰 베이스 모델이 할 수 없었던 일을 여전히 할 수 없다.

다운로드하는 대신 하나를 호출하려면

원장의 대부분은 로컬 아티팩트에 관한 것입니다. 이 범주를 사용하는 또 다른 방법은 API를 통하는 것이며, 알아둘 만한 진입점은 Qwen3.8 27B 모델 페이지입니다: 262K 토큰 컨텍스트, 텍스트·이미지·비디오 입력, block-FP8로 서빙되고 비전 타워는 전체 정밀도로 유지되며, 입력 토큰 100만 개당 $0.40, 출력 토큰 100만 개당 $4.21입니다. 공개된 7일 트래픽 수치는 6억 4,520만 토큰으로, 해당 페이지에서 수요 신호에 가장 가까운 지표입니다 — 그리고 그것은 다운로드 수가 아니라 토큰 수라는 점에 유의하세요. 이는 완전히 다른 측정치입니다.

그 페이지가 무엇이고 무엇이 아닌지 정확히 밝혀야 합니다. 그것은 obsidian 벤더 슬러그 아래의 호스팅된 27B 모델이며, 다른 모든 것과 동일한 게이트웨이에서 토큰 단위로 가격이 책정됩니다. 그것은 위 원장에 있는 어떤 저장소와도 동일한 아티팩트가 아닙니다: 해당 조직은 Hugging Face에 검열되지 않은 FP8 빌드도 공개하는데, 이는 다운로드 수가 126,807인 다운로드 가능한 파일인 반면, 서빙되는 모델은 토큰 수가 있는 배포입니다. 한 숫자는 가져오기를 측정하고, 다른 숫자는 호출을 측정합니다. 어느 것도 능력 점수가 아니며, 어느 것도 관심 있는 동작을 테스트하는 것을 대체하지 못합니다.

그것이 바로 점수 없는 리더보드가 내세우는 논지의 전부입니다. 다운로드는 사람들이 무엇을 받아갔는지 알려줍니다. 좋아요는 누가 그 페이지를 스쳐 지나갔는지 알려줍니다. 게이트는 누가 애초에 받을 수 있었는지 알려줍니다. 출처는 실제로 무엇을 얻고 있는지 알려줍니다. 빠진 것은 단 하나, 모두가 원하는 그것입니다. 그리고 누군가 이 산출물들이 자신이 대상이라고 주장하는 과제에서 재현 가능한 평가를 공개하기 전까지, 순위란 측정인 척 꾸민 발명에 불과할 것입니다.