AI 모델 다운로드 1위는 챗봇이 아니었다, 허깅페이스 월 2.4억 건 실측

작성자:

Key Takeaways

AI 모델 다운로드 순위를 직접 집계하면 1위는 화제의 챗봇이 아니라 2021년에 나온 2,270만 파라미터짜리 소형 임베딩 모델 all-MiniLM입니다. 최근 30일 2억 4천만 건으로, 화제의 오픈 LLM 10종을 합친 것보다 여섯 배 넘게 많습니다. 좋아요(화제)는 생성형 모델에 쏠리고 다운로드(실사용)는 임베딩·검색 인프라에 쏠립니다. 미디어가 말하는 AI와 엔지니어가 실제로 배포하는 AI는 다른 목록입니다.

  • 다운로드 1위 all-MiniLM은 최근 30일 240,643,472건, 좋아요 5,100
  • 다운로드 상위 9위에 생성형 챗봇 0개, 첫 챗 모델은 10위 Qwen3-0.6B
  • 좋아요 1위 FLUX.1-dev의 좋아요당 다운로드 41.7 vs all-MiniLM 47,185
  • 상위 100 다운로드의 56.8%가 임베딩·리랭크·고전 NLP 같은 검색 인프라
  • 챗 모델은 개수로는 최다(상위 100 중 23개)지만 다운로드 점유율은 14.3%

화제의 오픈 AI 모델이라면 어떤 이름이 떠오릅니까? DeepSeek의 추론 모델, 메타의 Llama, 알리바바의 Qwen, 이미지를 그리는 FLUX처럼 대개 생성형 쪽일 겁니다. 그런데 실제 AI 모델 다운로드 순위를 세어 보면 목록이 전혀 다릅니다.

2026년 7월 21일 허깅페이스(Hugging Face) 허브의 다운로드 상위 100개 모델을 직접 집계했습니다. 1위는 챗봇이 아니라 all-MiniLM-L6-v2라는 2,270만 파라미터짜리 임베딩 모델이었습니다. 이 하나가 최근 30일에만 2억 4천만 건 넘게 다운로드됐고, 화제의 생성형 LLM 10종을 전부 합쳐도 그 6분의 1에 못 미칩니다.

AI 모델 다운로드 차트를 지배하는 것은 미디어 스포트라이트 밖에서 조용히 돌아가는 검색·표현 인프라였습니다.

AI-generated illustration: 스포트라이트를 받으며 단상에 선 빛나는 휴머노이드 로봇과, 어두운 배경에서 데이터 파이프·서버랙 사이를 오가는 작은 작업용 로봇들
화제는 스포트라이트 아래의 생성 모델에 쏠리지만 실제 다운로드는 배경의 검색 인프라가 지배합니다. AI-generated illustration (OpenAI gpt-image-1-mini)

어떻게 쟀나

측정은 허깅페이스 허브가 공개하는 REST API로 수행했습니다. 인증 없이 접근할 수 있는 huggingface.co/api/models 엔드포인트에서 다운로드 상위 100개와 좋아요 상위 40개를 각각 수집하고, 화제의 생성형 LLM 10종은 개별로 조회했습니다. 각 모델의 카테고리는 제 주관이 아니라 허깅페이스가 부여하는 pipeline_tag(태스크 분류)를 그대로 매핑해 분류했습니다.

여기서 다운로드 수치는 API의 downloads 필드, 즉 최근 30일 값입니다. 좋아요는 인간의 관심을, 다운로드는 기계적 사용을 각각 측정하는 서로 다른 지표입니다. 저는 이 두 지표의 격차 자체를 재기 위해 좋아요당 다운로드(downloads/likes)라는 파생 지표를 함께 계산했습니다. 명령·원본 JSON·집계 결과는 재현 가능한 형태로 보존해 두었습니다.

caveat: 허깅페이스 다운로드는 CI·미러·자동 파이프라인이 반복적으로 당기는 풀을 포함합니다. 임베딩 모델이 상위를 점하는 이유의 일부이지만, 이는 왜곡이 아니라 “실제 배포 파이프라인에서 반복 호출되는 모델”이라는 측정 대상 그 자체입니다.

AI 모델 다운로드 상위 9위에 챗봇이 없다

직접 집계한 다운로드 상위 10개는 아래와 같았습니다. 1위부터 9위까지가 전부 임베딩·리랭커·번역 같은 비생성형 모델이고, 생성형 챗 모델은 10위에 처음 등장합니다. 그마저도 파라미터 0.6B짜리 초소형 Qwen3-0.6B로, 테스트·자동화 파이프라인에 흔히 박히는 부품에 가깝습니다.

순위모델카테고리30일 다운로드좋아요
1all-MiniLM-L6-v2임베딩·검색240,643,4725,100
2ms-marco-MiniLM-L6-v2리랭크81,260,742287
3bert-base-uncased고전 NLP76,450,8822,712
4bge-small-en-v1.5임베딩·검색62,961,873516
5electra-base-discriminator고전 NLP52,202,882144
6paraphrase-multilingual-MiniLM임베딩·검색47,560,3621,326
7bge-m3임베딩·검색33,603,3633,243
8all-mpnet-base-v2임베딩·검색28,935,4891,333
9t5-small고전 NLP26,349,824578
10Qwen3-0.6B생성형 LLM(챗)25,275,8571,433
2026-07-21 허깅페이스 허브 직접 집계. 다운로드 상위 9위는 전부 비생성형 모델입니다. 5위 ELECTRA는 HF pipeline_tag 미부여로 자동 집계에서는 ‘기타’로 잡히며, 표의 카테고리는 아키텍처 기준 표기입니다.

카테고리별로 묶으면 그림이 더 선명해집니다. 상위 100개 다운로드의 35.9%가 임베딩, 8.7%가 리랭크, 12.2%가 BERT류 고전 NLP였습니다. 이 셋을 합친 검색·표현 인프라가 전체의 56.8%를 차지한 반면, 생성형 챗 LLM은 14.3%에 그쳤습니다. 챗 모델이 상위 100개 안에 23개로 개수는 가장 많았지만, 개별 다운로드가 작아 전체 볼륨에서는 임베딩 한 카테고리에도 밀린 셈입니다.

이 결과는 허깅페이스 블로그에 올라온 허브 통계 분석과도 맞물립니다. 허브 전체에서 상위 50개 엔티티가 전체 다운로드의 80.22%를 가져가고, 다운로드의 92.48%가 파라미터 10억 미만 소형 모델에 집중돼 있습니다. 작고 반복 호출되는 모델이 다운로드의 대부분을 만든다는 뜻입니다.

photo of computer cables
다운로드 차트를 지배하는 것은 스타 모델이 아니라 파이프라인마다 반복 호출되는 소형 부품입니다. Photo by Kvistholt Photography on Unsplash

화제 랭킹은 정반대를 가리킨다

이번에는 같은 데이터를 좋아요 순으로 다시 세워 봤습니다. 좋아요 1위는 이미지 생성 모델 FLUX.1-dev로 13,720개를 받았지만, 30일 다운로드는 57만여 건에 그쳤습니다. 좋아요 2위는 DeepSeek-R1으로 13,490개를 받아 허브 전체 좋아요 순위 2위에 올라 있지만, 다운로드는 여전히 임베딩 1위의 28분의 1 수준입니다.

좋아요 순위모델카테고리좋아요30일 다운로드
1FLUX.1-dev이미지 생성13,720572,635
2DeepSeek-R1생성형 LLM(챗)13,4908,580,743
3stable-diffusion-xl-base-1.0이미지 생성7,9591,345,594
4stable-diffusion-v1-4이미지 생성7,043434,492
5Meta-Llama-3-8B생성형 LLM(챗)6,6131,310,375
6Kokoro-82M음성6,5599,672,706
좋아요 상위는 생성 모델이 지배합니다. 다운로드 상위 목록과 거의 겹치지 않습니다.

좋아요 목록과 다운로드 목록을 나란히 놓으면 겹치는 이름이 거의 없습니다. 좋아요는 사람들이 “멋지다”고 느껴 별을 누르는 생성 모델에, 다운로드는 파이프라인이 실제로 내려받는 검색·표현 모델에 각각 쏠려 있습니다. 눈에 띄는 예외는 좋아요 6위의 음성 모델 Kokoro-82M 정도입니다. 82M 파라미터짜리 초소형 모델인데 30일 다운로드가 967만 건에 달해, “작고 파이프라인에 박히는 모델이 많이 받아진다”는 같은 규칙을 다른 각도에서 보여 줍니다. 이 예외를 빼면 두 랭킹은 서로 다른 방향을 가리키는 서로 다른 신호였습니다.

‘좋아요당 다운로드’로 격차를 재다

이 격차를 하나의 숫자로 압축하기 위해 좋아요당 다운로드를 계산했습니다. 순수 인프라의 대표인 all-MiniLM은 좋아요당 다운로드가 47,185입니다. 화제의 상징인 FLUX.1-dev는 41.7에 불과합니다. 같은 지표에서 약 1,130배 차이가 납니다.

분석

좋아요당 다운로드는 “관심 한 단위가 실제 사용으로 얼마나 전환되는가”를 재는 지표로 읽을 수 있습니다. 이 렌즈로 보면 화제성과 실사용은 서로 반대 방향에 놓입니다.

  1. 인프라형 모델 all-MiniLM은 좋아요당 다운로드가 4만 7천을 넘습니다. 별은 적게 받지만 사용은 압도적인, 조용히 일하는 일꾼입니다.
  2. 화제형 모델 FLUX.1-dev는 같은 지표가 42에 못 미칩니다. 별은 많이 받지만 상대적으로 덜 다운로드되는, 무대 위의 스타입니다.
  3. 같은 대비가 챗 모델 안에서도 나타납니다. 좋아요 최상단의 DeepSeek-R1은 좋아요당 다운로드 636인 반면, 상대적으로 조용한 실무용 Qwen2.5-7B는 8,023입니다.
  4. 따라서 엔지니어는 스타 모델에 좋아요를 누르고, 정작 작업에는 일꾼 모델을 다운로드한다고 해석할 수 있습니다.

왜 임베딩이 다운로드를 지배하나

임베딩과 리랭커가 다운로드를 지배하는 데는 구조적 이유가 있습니다. 이들은 RAG(검색 증강 생성)와 벡터 검색 파이프라인의 핵심 부품입니다. 문서를 벡터로 바꿔 저장하고 질문과 가장 가까운 조각을 찾아오는 과정에 임베딩 모델이 반드시 들어가고, 검색 정밀도를 끌어올릴 때는 리랭커가 흔히 뒤따릅니다.

all-MiniLM은 문장을 384차원 벡터로 변환하는 2,270만 파라미터(약 90MB)짜리 모델로, 작고 빠르며 시맨틱 검색에 특화돼 있습니다. 검색·챗봇·추천 서비스가 저마다 이 모델을 배포하고, 배포할 때마다 CI와 자동 파이프라인이 반복적으로 내려받습니다. 반면 거대 생성 LLM은 대개 클라우드 API로 호출하거나, 한 번 받아 오래 쓰기 때문에 다운로드 카운터가 상대적으로 천천히 올라갑니다.

외부 집계도 같은 방향을 가리킵니다. Analytics Vidhya가 정리한 2025년 최다운로드 오픈소스 모델 목록에서도 MiniLM이 1위였고 그 뒤로 ELECTRA·DistilBERT 같은 소형 인코더가 상위권을 채웠으니, 특정 시점 한 번의 우연이라기보다 구조적으로 반복되는 패턴입니다.

a close up of a computer with green lights
임베딩·리랭커는 검색 파이프라인마다 배포되며 CI가 반복 호출합니다. Photo by Tyler on Unsplash

다운로드가 말해주는 진짜 AI 스택

이 실측이 시사하는 것은 프로덕션 AI의 무게 중심입니다. 미디어의 서사가 생성 모델의 성능 경쟁에 쏠려 있는 동안, 실제로 매일 배포되는 스택의 상당 부분은 검색과 표현을 담당하는 인프라 모델이었습니다. 벤치마크 점수와 현실 성능이 어긋나는 문제와 같은 계열로, 화제와 실사용을 같은 것으로 착각하면 실제 배포 현장의 무게 중심을 놓치게 됩니다.

분석

이 데이터에서 실무적으로 끌어낼 수 있는 판단은 명확합니다.

  1. 좋아요는 여론, 다운로드는 배포입니다. 모델을 평가할 때 두 신호를 분리해서 봐야 합니다.
  2. 새 모델을 고를 때는 화제성보다 사용량과 태스크 적합성을 먼저 보는 편이, 실제로 검증된 부품을 고를 확률을 높입니다.
  3. RAG·검색 인프라가 다운로드의 절반 이상을 차지한다는 사실은, 다음 최적화의 대상이 종종 임베딩·리랭커 계층에 있음을 시사합니다.

이 그림은 다음 분기에도 유지될까요? 저는 검색 인프라(임베딩·리랭크·고전 NLP)가 상위 100 다운로드의 절반 선을 지키는지, 그리고 생성형 챗 모델의 개별 다운로드가 임베딩 1위권에 근접하는지를 계속 지켜볼 생각입니다. 프로덕션 AI의 실제 무게 중심이 어디로 움직이는지는 화제보다 이 두 곡선이 먼저 말해 줄 것입니다.

이 흐름의 배경이 되는 글
AI는 왜 거짓말을 할까? RAG로 환각 잡는 벡터DB의 원리

참고 자료

트렌드를 먼저 읽는 사람들

AI, 테크, 경제의 핵심 인사이트를 한국어와 영어로 동시에 제공합니다.

더 많은 글 보기