Spark X2.5 下载突破200万，X2.6 即将开源

从100万到200万，只用了15天

开源模型 Spark X2.5 在突破百万下载量仅15天后，累计下载量已正式跨过200万大关（2,029,840次）。这一增长几乎来自两条并行路径：官方渠道贡献了 1,019,681 次下载，而社区开发者自行发布的衍生构建则贡献了 1,010,159 次——几乎各占一半。

官方渠道覆盖6个平台、48个模型仓库，而社区侧则有109个项目独立发布。对一个轻量级模型来说，这种"官方+社区"双轮驱动的下载结构值得关注：它说明模型不只在官方分发管道里被取用，还大量被改写、量化、再发布。

官方渠道的数据分布

官方6个平台的下载量呈现出极度集中的特征。

Hugging Face 占据绝对主导

Hugging Face 以 12 个模型仓库贡献了 985,975 次累计下载，近7天新增 165,323 次。作为对比，其余5个平台的累计下载总和加起来不足 3.4 万次。Ollama 为 15,851 次，ModelScope 为 11,116 次，Modelers 为 5,210 次，AtomGit 为 1,513 次，SCNet 仅 16 次。

官方渠道近7天总计新增 167,689 次下载。这意味着 Hugging Face 之外的所有官方平台，一周新增不足 2,400 次。

分发集中度的两面性

单一平台承载几乎全部官方流量，让模型的可见度和下载行为高度绑定于 Hugging Face 的生态规则。对使用者来说，这降低了寻找成本；对项目方来说，则意味着分发风险相对集中。

Hugging Face 之所以能形成这种近乎垄断的分发地位，与其生态位置有关：它同时是模型托管、版本管理、模型卡文档、推理端点和数据集分发的入口，并提供了 transformers、diffusers 等库的直接集成。开发者从搜索到下载再到试跑的路径几乎都在同一站点内完成，模型仓库的点赞、下载计数和 trends 榜单又反过来影响曝光，形成正反馈。相比之下，Ollama、ModelScope、Modelers、AtomGit、SCNet 等平台各自面向不同的区域或使用习惯——Ollama 偏向一键本地运行的命令行体验，ModelScope 面向国内用户，SCNet 则与特定算力网络绑定。它们的分发量偏小，既可能是用户基数差异，也可能是同一批用户已在 Hugging Face 完成下载后的重复覆盖，这也是解读各平台数字时需要留意的口径问题。

社区构建才是另一半故事

109个社区衍生项目合计产生 1,010,159 次下载，与官方渠道几乎持平。这个数字揭示了一个容易被忽视的事实：在本地部署场景下，用户更倾向于消费第三方制作好的量化版本，而不是直接下载官方原始权重。

GGUF 与 MLX 是主流格式

社区构建中，45个 GGUF 构建、13个 MLX 构建、4个 GGUF+imatrix 构建，以及若干 ONNX 和端侧变体。下载量最高的几个项目清一色是 GGUF 格式。

构建项目	格式	下载量
peculiar-ragdoll/Sharp-Spark-X2.5-4B-GGUF	GGUF	435,736
abenzerps/Spark-X2.5-4B-GGUF	GGUF	378,904
SC117/Spark-X2.5-4B-abliterated-FIT-GGUF	GGUF	40,000
ngquocvinh/Spark-X2.5-4B-GGUF	GGUF	11,489
abenzerps/Spark-X2.5-4B-MLX-8bit	MLX	10,400

排名前两位的社区 GGUF 构建各自拿下超过 37 万次下载，双双超过官方渠道中除 Hugging Face 主仓库之外的任何单一来源。需要注意的是，这些均属第三方构建而非官方发布，使用前应仔细核对各自的模型卡说明。

社区构建里还出现了 abliterated（去拒答）变体，这类修改在开源社区并不少见，但使用风险需自行评估。

GGUF 是 llama.cpp 项目在 2023 年引入的模型文件格式，用来替代早期的 GGML。它把模型权重、分词器、提示模板和量化元数据打包进单个文件，并设计了向前兼容的版本机制，因此成为本地推理社区事实上的通用交换格式。GGUF 的关键价值在于量化：通过 Q4_K_M、Q5_K_M、Q8_0 等不同精度的量化方案，同一个模型可以被压缩到原始体积的约四分之一到一半，同时在消费级 CPU、Apple Silicon 或低显存 GPU 上保持可用质量。这也是为什么社区构建里下载量最高的几个项目几乎清一色是 GGUF——用户下载后可直接拖入 LM Studio、Ollama 或 llama.cpp 运行，不需要自行转换权重。

MLX 则是 Apple 为自家芯片推出的数组计算框架，MLX 格式的模型专为 M 系列芯片的统一内存架构优化，在 Mac 上的推理速度和内存效率通常优于通用方案。GGUF 与 MLX 并行存在，反映的是本地部署场景的分化：跨平台通用性选 GGUF，Apple 生态内追求性能选 MLX。

imatrix 指 importance matrix，是 llama.cpp 引入的一种量化校准方法。传统量化对所有层采用统一的压缩策略，而 imatrix 会先用一小批校准文本统计各权重对输出的重要程度，再据此为不同张量分配不同的量化精度，把误差集中在不重要的小权重上。实践表明，同一比特宽度下 imatrix 量化通常比普通量化保留更多模型能力，尤其在低比特（如 Q2、Q3）场景下差距明显。文件名里带 imatrix 的构建，意味着制作者在量化时跑了这一步额外校准，因此体积可能略大、生成质量更稳，但也更依赖校准数据的代表性。

至于 abliterated（去拒答）变体，是通过在权重层面识别并消减模型内部与拒绝行为相关的方向向量，从而让模型不再输出拒答话术。这类修改在开源社区流传已久，代价是模型的安全对齐会被一并削弱，输出可能包含有害或不当内容，且不同实现手法差异很大，因此使用前需要自行评估合规与风险。

Spark-X2.6 预告：4B 与 1.7B 双尺寸

官方在公告中确认，Spark-X2.6-4B 和 Spark-X2.6-1.7B 将很快开源，具体升级内容留待发布时公布。

延续小尺寸路线

X2.6 的两个尺寸与 X2.5 的产品线一脉相承——1.7B 和 4B 都是能在消费级硬件上运行的规模。官方表示希望"和大家一起探索本地 AI 的可能性"，措辞指向的仍是端侧与个人部署场景。

社区反馈成为发布前变量

官方同步开放了 XHToken 社区仓库收集改进建议，并引导关注 @SparkLLM 的 X 账号获取发布动态。在正式发布前主动征集需求，说明团队把社区构建生态视作产品迭代的一部分，而不只是分发末端。

如何使用 Spark X2.5

目前 Spark X2.5 提供 1.7B 和 4B 两种规模，包含 Base、GGUF、FP8、INT8 等变体。

• Hugging Face 上有完整合集，官方也提示可以通过点赞帮助更多开发者发现该模型
• 单独仓库为 Spark-X2.5-1.7B 与 Spark-X2.5-4B
• Ollama 上同样提供了 SparkLLM 的模型入口

数据口径需要留意

官方在脚注中明确指出，所有数字为截至2026年10月14日的全时段累计下载量，且各平台对"一次下载"的定义并不统一——有的按文件计，有的按仓库计。Modelers 提供的是所有者级别的汇总数据，SCNet 近7天数据几乎无变化。

更重要的是，下载量不等于独立用户数。同一用户可能在不同平台、不同构建之间多次下载，因此200万这个总量更适合作为热度指标，而非用户规模。对评估模型实际采用率而言，社区构建与官方渠道各占一半的结构，或许比总量本身更有分析价值。

对于正在挑选本地模型的开发者，一个值得考虑的信号是：社区围绕 X2.5 已经形成了相当规模的量化产物，这意味着在主流推理框架和消费级硬件上的适配路径大概率已被铺好。