開源 2.0 ：變臉堪比整容

等了一百多天，懸念終于揭曉。

9 月 13 日上午，螞蟻集團(tuán)開源團(tuán)隊(duì)（「開源技術(shù)增長(zhǎng)」）攜《 2025 大模型開源開發(fā)生態(tài)全景圖 》2.0 版，亮相上海外灘大會(huì)。

三個(gè)月前，「一場(chǎng)直播中的『現(xiàn)實(shí)世界的黑客松 』 (A Real-world Hackathon )」的斷言，今天依然成立——

彼時(shí)「撕拉片」記錄下生態(tài)初現(xiàn)的模樣，而今，已經(jīng)大變樣。

• 訪問(wèn)地址：https://antoss-landscape.my.canva.site/

這一次，全景圖收錄了 114 個(gè)項(xiàng)目（比上一版減少 21 個(gè)），覆蓋 22 個(gè)領(lǐng)域。其中，39 個(gè)是新晉項(xiàng)目，同時(shí)也有 60 個(gè)項(xiàng)目消失在舞臺(tái)，其中不乏一度高光的 Star 王者——

如 NextChat、OpenManus、FastGPT、GPT4All，因迭代遲緩、社區(qū)乏力而被后來(lái)者超越。

最 drama的，當(dāng)屬 TensorFlow 的謝幕，這位昔日巨星最終沒(méi)能抵擋 PyTorch 的攻勢(shì)，后者自此一統(tǒng)江湖。

灰色部分，即為出局的開源項(xiàng)目

整體趨勢(shì)是顯而易見：生態(tài)正在經(jīng)歷一輪劇烈洗牌。就像寒武紀(jì)的「生命大爆發(fā)」，Agent 層最為洶涌，混沌之中，各類新物種層出不窮。

另一組數(shù)據(jù)，也側(cè)面印證了這一旺盛的新陳代謝——

算上被淘汰的項(xiàng)目，整個(gè)大模型生態(tài)的「中位年齡」只有 30 個(gè)月，平均壽命不足三年，是一片極度年輕的叢林。

尤其是「GPT 時(shí)刻」之后（ 2022 年 10 月），62% 的項(xiàng)目才誕生，其中 12 個(gè)甚至是 2025 年的新面孔。也就是說(shuō)，幾乎每個(gè)季度都能看到新人登場(chǎng)、舊人退場(chǎng)。

更夸張的是，這些年輕項(xiàng)目獲得了前所未有的關(guān)注：平均 Star 數(shù)接近 3 萬(wàn)，遠(yuǎn)超以往同齡的開源項(xiàng)目。頭部前十的項(xiàng)目幾乎覆蓋了模型生態(tài)的全鏈路，是當(dāng)下最具代表性的社區(qū)力量。

最活躍的開源項(xiàng)目 Top 10

關(guān)鍵詞詞云也呼應(yīng)了這一趨勢(shì)：AI、LLM、Agent、Data成了最大、最亮的幾個(gè)字。

大模型開發(fā)生態(tài)關(guān)鍵詞 AI、LLM、Agent、Data 、Learning正是第一張圖表中所列項(xiàng)目的主要領(lǐng)域。

另一個(gè)大變樣是全景圖的分類框架。

因?yàn)榭催^(guò) 1.0 版本，所以當(dāng)我第一次看到 2.0 全景圖時(shí)，最直觀的感受就是：分類架構(gòu)變得更具體、更細(xì)分：

從大而化之的 Infrastructure / Application，進(jìn)化為 AI Agent / AI Infra / AI Data 三大板塊，清晰勾勒出行業(yè)熱點(diǎn)（智能體為中心），和技術(shù)演進(jìn)的趨勢(shì)。

如果說(shuō) 1.0 的框架還帶著傳統(tǒng)開源軟件生態(tài)的影子，那么 2.0 已經(jīng)透出「智能體時(shí)代」的氣質(zhì)。

最后，從全球 366,521 位開發(fā)者群像來(lái)看，中美雙雄貢獻(xiàn)超過(guò) 55%，依然是項(xiàng)目的絕對(duì)領(lǐng)導(dǎo)者，其中美國(guó)以 37.41% 的比例位居第一。

在技術(shù)領(lǐng)域的細(xì)分貢獻(xiàn)中，美國(guó)在 AI Infra 和 AI Data 上優(yōu)勢(shì)明顯。

如，AI Infra，美國(guó)貢獻(xiàn)度達(dá) 43.39%，是排名第二的中國(guó)的兩倍多；而在 AI Data 的領(lǐng)先優(yōu)勢(shì)更為明顯。

中國(guó)在具體應(yīng)用層（ AI Agent ）則表現(xiàn)接近美國(guó)，兩國(guó)貢獻(xiàn)度分別為 21.5% 和 24.62% ，這與中國(guó)開發(fā)者在 Agent 層面的投入更多密切相關(guān)。

制圖論的進(jìn)化

為什么要把方法論放在前面講？答案很簡(jiǎn)單——哪些項(xiàng)目能夠進(jìn)入 2.0 全景圖，很大程度上取決于方法論變了。

1.0 版本的方法論是「從已知出發(fā)」——被廣泛討論的頭部項(xiàng)目，比如 PyTorch、vLLM、LangChain，再通過(guò)它們的協(xié)作和依賴關(guān)系向外延伸。

但出發(fā)點(diǎn)決定邊界：你從哪些種子項(xiàng)目出發(fā)，就決定了能看見的生態(tài)范圍。那時(shí)的入選門檻是 OpenRank （華東師范大學(xué) X-lab 開發(fā)的開源影響力指標(biāo)）月均值 ≥ 10。

而 2.0 版本直接拉取 GitHub 全域項(xiàng)目的 OpenRank 排名，篩選出大模型相關(guān)項(xiàng)目，不僅大幅減少了起點(diǎn)偏見，也更敏感于新項(xiàng)目的爆發(fā)力。結(jié)果是，更多高熱度、高活躍度的項(xiàng)目被發(fā)現(xiàn)，入選閾值也相應(yīng)提高到當(dāng)月 OpenRank > 50。

從這個(gè)角度說(shuō)，2.0 更契合螞蟻「開源技術(shù)增長(zhǎng)」團(tuán)隊(duì)做這件事的初衷：對(duì)內(nèi)，為企業(yè)決策提供依據(jù)；對(duì)外，為開源世界的「卷王們」點(diǎn)亮指南。

在這套新方法下，三大主力賽道脫穎而出：AI Coding、Model Serving 、LLMOps。

接下來(lái)，我們將從應(yīng)用層一路追溯到底層 Infra，逐一梳理這股洪流中的關(guān)鍵變化。

AI Agent ：AI Coding 瘋魔了

2.0 全景圖上的 AI Agent 已經(jīng)從一個(gè)「百寶箱」式的工具堆，演化為類似云計(jì)算的分層體系——

AI Coding、Agent Workflow Platform、Agent Framework、Agent Tool 等類別齊備，專業(yè)與清晰度大幅提升，社區(qū)正經(jīng)歷從野蠻生長(zhǎng)走向系統(tǒng)分化的過(guò)程。

2.0的AI Agent 層

AI Agent 的迭代經(jīng)歷猶如過(guò)山車。

目前，AI Agent 地表變動(dòng)劇烈，就像一片新大陸，每個(gè)人都在搶先插旗。AI Coding、Chatbot、Workflow Platform 等方向接連涌現(xiàn)出新的高熱度項(xiàng)目。

更有意思的是，2.0 版還敏銳捕捉到 AI 與物理世界深度結(jié)合的跡象——「小智」嘗試把大模型跑在低功耗芯片上，Genesis 則面向通用機(jī)器人提供物理仿真平臺(tái)。

接下來(lái)，我們逐一拆解細(xì)分領(lǐng)域的變化。

1、從瘋到癲，AI Coding 增長(zhǎng)曲線仍在陡升

除了 Cline、Continue、OpenHands 等常駐「霸榜」項(xiàng)目外，新面孔不斷涌現(xiàn)——Gemini、marimo、Codex CLI，以及定位為 Claude Code 100% 開源替代的 OpenCode。事實(shí)再次證明，「Agent for Devs」仍是最高頻、最剛需的應(yīng)用場(chǎng)景。

2025 年的 AI Coding 已經(jīng)完成了從「補(bǔ)代碼」到「全生命周期智能引擎」的跨越：能做的事更多，從開發(fā)到運(yùn)維全鏈路覆蓋；做事的方式更聰明，支持多模態(tài)、上下文感知與團(tuán)隊(duì)協(xié)同。

報(bào)告預(yù)測(cè)，市場(chǎng)也將隨之釋放出巨大的商業(yè)化潛力——付費(fèi)訂閱、SaaS 服務(wù)與增值功能，將成為新的盈利模式。

AI Coding 已經(jīng)完成了從「補(bǔ)代碼」進(jìn)化到能做的事更多，做事的方式更聰明。

這種趨勢(shì)在行業(yè)交流中感受尤深。這次上海外灘大會(huì)上，有嘉賓直言 AI Coding 工具卷到用不過(guò)來(lái)；另一位深耕 AI 編碼的 CEO 則透露，團(tuán)隊(duì)所有成員的 AI 工具報(bào)銷已超 200 美元。

幾個(gè)月前，AI 代碼還需要大量人工修正；如今質(zhì)量飛升，只需輕量修改即可。下一步，AI 編程或許會(huì)從「寫代碼」躍遷到「主導(dǎo)整個(gè)工作流」。

值得注意的是，Gemini CLI、Codex CLI 的走紅也釋放出大廠的戰(zhàn)略信號(hào)：通過(guò)開源工具鏈綁定開發(fā)者，把他們鎖入自家閉源模型的生態(tài)。

這與微軟當(dāng)年的 Windows + .NET、蘋果的 iOS + Swift 如出一轍。今天的AI 巨頭，正在用相同的路徑重塑新一輪開發(fā)者生態(tài)。

2、Chatbot & Knowledge Management 高光后的理性回歸

Chatbot 是 GenAI 應(yīng)用的第一波爆款，Cherry Studio、Open WebUI、Lobe Chat、LibreChat 在 2025 年初迎來(lái)頂峰，收獲了大量關(guān)注與貢獻(xiàn)。但熱度未能持續(xù)。5 月之后，Chatbot 進(jìn)入平臺(tái)期，逐漸降溫。

Lobe-Chat 以日更節(jié)奏，用框架將「ChatGPT 式對(duì)話」降維到人人可自建的體驗(yàn)。然而，隨著功能趨近完備，用戶也發(fā)現(xiàn) Chatbot 核心價(jià)值仍是「對(duì)話」，而對(duì)話在生產(chǎn)力上的突破有限。

Cherry Studio 開辟了另一條路徑：把 Chatbot 與知識(shí)庫(kù)/筆記結(jié)合，定位于「?jìng)€(gè)人知識(shí)助理」，更貼近長(zhǎng)期生產(chǎn)力需求。這可能也是它逆勢(shì)上榜的原因——新進(jìn)項(xiàng)目中活躍度第二，總體位列第七。

因此，降溫并不意味著衰退。Lobe-Chat 依然保持 64.7k star 的體量，日更節(jié)奏從未停歇。只是相較 Memory、Agent 等更令人興奮的方向，Chatbot 不再是唯一的焦點(diǎn)，而開始回歸理性。

3、Agent Workflow Platform 沉淀為真正的基礎(chǔ)設(shè)施

當(dāng) GPT-5、Claude、Gemini等頂尖模型趨同，AI 應(yīng)用的差異化越來(lái)越依賴「記憶」。這催生了一大批 RAG + Agent 項(xiàng)目，成為開源熱點(diǎn)。

RAGFlow、MaxKB（專注知識(shí)庫(kù)問(wèn)答）、FastGPT（輕量 RAG 平臺(tái)）、Flowise AI（主打 RAG-based QA 的可視化工作流工具）都在這一波浪潮中走紅。

盡管趨勢(shì)回落，但 7 月份的 OpenRank (1418) 仍然遠(yuǎn)高于 1 月份的起始點(diǎn)。

相比之下，Dify 的布局更完整：不僅覆蓋 RAG 和 Agent 工作流，還提供應(yīng)用發(fā)布、用戶管理、可觀測(cè)性等企業(yè)級(jí)能力，形成從原型到生產(chǎn)的一站式平臺(tái)，在社區(qū)影響力和商業(yè)化上明顯領(lǐng)先。

與此同時(shí)，新的探索開始突破傳統(tǒng) RAG 的邊界。如 Letta（尚未上榜）嘗試引入「離線學(xué)習(xí)」，讓 Agent 不僅能依賴檢索，還能真正從經(jīng)驗(yàn)中學(xué)習(xí)改進(jìn)。這意味著 Agent Workflow 未來(lái)可能從「檢索增強(qiáng)」走向「長(zhǎng)期學(xué)習(xí)」，為應(yīng)用開辟更廣闊的空間。

4、Agent Tool 爆款頻出

Agent Tool 針對(duì)大模型的硬傷，補(bǔ)齊短板，讓 AI 從「能聊」走向「能做」。因此，這一領(lǐng)域成為當(dāng)下最炙手可熱的創(chuàng)新賽道，爆款頻出。

LiteLLM、Supabase、Vercel、ComfyUI、mem0 各自切入關(guān)鍵環(huán)節(jié)，推理調(diào)用、數(shù)據(jù)存儲(chǔ)、記憶管理、外部交互層層推進(jìn) AI 的能力邊界。

比如 mem0 賦予 Agent 長(zhǎng)期記憶與上下文感知；Supabase 快速進(jìn)化成 GenAI 時(shí)代的數(shù)據(jù)基礎(chǔ)設(shè)施，解決了實(shí)時(shí)信息與記憶管理的缺失問(wèn)題。

而 Browser-use 更是在 9 個(gè)月拿下 60K star，讓 Agent 真正學(xué)會(huì)操作網(wǎng)頁(yè)，成為「落地最后一公里」的標(biāo)志性項(xiàng)目。

5、Agent Framework下跌明顯

2.0 版中，跌幅最大的項(xiàng)目有四個(gè)都屬于 Agent 編排框架：Eliza、LangChain、LlamaIndex、AutoGen。

一方面這些頭部項(xiàng)目在社區(qū)投入收縮；另一方面，社區(qū)注意力正從通用框架轉(zhuǎn)向應(yīng)用落地：記憶、工具調(diào)用、交互界面等更細(xì)顆粒度的創(chuàng)新，正在為未來(lái)更強(qiáng)自治的 AI 系統(tǒng)打下基礎(chǔ)。

不過(guò)，Camel-AI、CrewAI、Agno、ELIZA.OS的冒頭，顯示「協(xié)作智能體」正收獲更多關(guān)注。

LiveKit Agents 的上榜同樣典型，它專注實(shí)時(shí)交互場(chǎng)景，如語(yǔ)音對(duì)話、多人協(xié)作，這在過(guò)去是圖譜里幾乎沒(méi)有覆蓋的。

AI Infra：模型服務(wù)狂飆依舊、LLMOps接棒MLOps

雖然遠(yuǎn)不如 Agent 層的「生命大爆發(fā)」，但在 AI Infra 的靜水深流中，仍能看到幾道涌動(dòng)的波瀾——

云端推理持續(xù)內(nèi)卷、輕量推理的開花、愈發(fā)?；?nbsp;LLMOps。

2.0版本的AI Infra

1、主力賽道 Model Serving，熱力不減

在 2.0 版本里，唯二能與 AI Coding 正面對(duì)標(biāo)的賽道就是 Model Serving。

大模型要落地，推理的效率、成本、安全性是繞不過(guò)去的門檻。從 2023 年以來(lái)，這條賽道就持續(xù)高燒不退，依然是 AI Infra 的主戰(zhàn)場(chǎng)。

以 vLLM、SGLang 為代表的高性能云端推理方案仍是主流，生態(tài)和社區(qū)影響力不斷擴(kuò)張。尤其是 vLLM，穩(wěn)定性和生態(tài)優(yōu)勢(shì)使其熱度持續(xù)堅(jiān)挺。

大廠也全力加碼，NVIDIA TensorRT-LLM 熱度居高，新晉的 NVIDIA Dynamo 與之配合，深度綁定 GPU 硬件，正把「推理框架」當(dāng)作鞏固算力壟斷的新抓手。

與此同時(shí)，本地化也在狂飆。

ollama 讓大模型從昂貴的云端「飛入尋常百姓家」，跑在個(gè)人電腦甚至移動(dòng)端。近幾個(gè)月它的熱度雖有小幅下滑，但 GPUStack、ramalama 等新框架迅速補(bǔ)位，說(shuō)明「輕量 + 云端優(yōu)化」這條路徑依然涌現(xiàn)新玩家。

2、模型運(yùn)維：LLMOps 接棒 MLOps

除了 AI Coding、Model Serving，LLMOps 也是 2025 年以來(lái)增長(zhǎng)最快的主賽道。

Phoenix、Langfuse、Opik、Promptfoo、1Panel、Dagger 等項(xiàng)目，幾乎覆蓋了從監(jiān)控、提示詞評(píng)測(cè)到工作流管理的各個(gè)環(huán)節(jié)。

這里的關(guān)鍵轉(zhuǎn)變是，2.0 版本重新定義了「模型運(yùn)維」：原本分散在模型評(píng)測(cè)和傳統(tǒng) MLOps 的內(nèi)容，被整合進(jìn)大模型的全生命周期管理。關(guān)注點(diǎn)也從「小模型時(shí)代」的訓(xùn)練精度、數(shù)據(jù)管道，轉(zhuǎn)向「如何讓模型穩(wěn)定、可控地跑起來(lái)」。

換句話說(shuō)，LLMOps 核心聚焦在監(jiān)控、提示詞效果、可觀測(cè)性和安全可信上，成為推動(dòng)大模型真正走向應(yīng)用的關(guān)鍵支撐。

3、模型訓(xùn)練，跌破年初水平

與前兩條賽道的高熱不同，模型訓(xùn)練反而一路回調(diào)，不僅回吐了漲幅，還跌破了年初水平。

不同行業(yè)確實(shí)需要不同「口味」的模型。從零開始訓(xùn)練一個(gè) GPT-4 級(jí)別模型成本過(guò)高，社區(qū)更關(guān)注如何低成本微調(diào)已有模型，比如 Unsloth 集成 QLoRA，在中低端硬件就能跑通。

問(wèn)題在于應(yīng)用層成了新的戰(zhàn)場(chǎng)：圍繞 Chatbot、Agent Tool、Workflow，對(duì)開發(fā)者更友好，貢獻(xiàn)和創(chuàng)新空間更大。

PyTorch 等訓(xùn)練框架早已成熟，增長(zhǎng)見頂；Swift、Unsloth、LLaMA-Factory雖短期吸睛，但沒(méi)能形成持續(xù)突破。

4、此外，Ray 在分布式計(jì)算上一騎絕塵，TransformerEngine、DeepEP、Triton、Modular等專用內(nèi)核庫(kù)的崛起，標(biāo)志著大模型正在催生屬于自己的軟件棧，從 Python API 到算子，都需要為 LLM 量身打造。

AI Data，依舊波瀾不興

相較于前兩大領(lǐng)域的風(fēng)云變幻，AI Data 領(lǐng)域顯得格外平靜。

生態(tài)鏈條已經(jīng)相當(dāng)完整，從標(biāo)注、集成、治理，到向量數(shù)據(jù)庫(kù)與搜索，再到上層應(yīng)用框架，幾乎覆蓋了數(shù)據(jù)處理的所有環(huán)節(jié)。

大多數(shù)項(xiàng)目還都是老面孔，誕生于 2014至 2020 年，本質(zhì)上為 AI 1.0（傳統(tǒng)機(jī)器學(xué)習(xí)）時(shí)代而生。Chroma 是少數(shù)「趕上大模型浪潮」的新秀，2022 年亮相便切中了 RAG 應(yīng)用的爆發(fā)點(diǎn)。

但在熱度層面，AI Data 卻在持續(xù)降溫。

我們推測(cè)，一部分原因在于這些技術(shù)本身已足夠成熟，沒(méi)必要重復(fù)造輪子。

像 Iceberg、Delta Lake 這樣的數(shù)據(jù)湖，Milvus、Weaviate、Elasticsearch等向量數(shù)據(jù)庫(kù)，早已成為「基礎(chǔ)拼圖」，經(jīng)過(guò)反復(fù)驗(yàn)證后，缺少新的突破口。

另一方面，AI Data 更偏向企業(yè)級(jí)場(chǎng)景，開發(fā)者個(gè)人難以直觀感受到價(jià)值，GitHub 的社區(qū)關(guān)注度難以持久。

不過(guò)，波瀾不興往往孕育著更大的風(fēng)暴。AI Data 的真正挑戰(zhàn)，正在原生大模型時(shí)代逐漸顯現(xiàn)。例如，向量化一切、RAG、多模態(tài)數(shù)據(jù)處理，數(shù)據(jù)平臺(tái)被專家預(yù)測(cè)將從「?jìng)}庫(kù)」進(jìn)化為「中樞」——一個(gè)智能、動(dòng)態(tài)、實(shí)時(shí)連接的系統(tǒng)，能持續(xù)為模型這個(gè)大腦提供真實(shí)世界的感知。

因此，舊框架雖依舊穩(wěn)健，卻正被逼近極限。新一代原生于大模型范式的數(shù)據(jù)基礎(chǔ)設(shè)施正在醞釀中，AI Data 的下一次波瀾壯闊還在蟄伏。

商業(yè)博弈，逐漸變味的「開源」

在 2.0 全景圖出爐之前，我們就注意到一個(gè)微妙趨勢(shì)：越來(lái)越多的大模型項(xiàng)目不再沿用 MIT、Apache 2.0 這類傳統(tǒng)開源許可證，而是自擬「開源許可協(xié)議」（ Open-Source License Agreement ），在開放、控制之間劃下灰色地帶。

這種新式協(xié)議往往保留了許可方更多的干預(yù)權(quán)。比如，傳統(tǒng)協(xié)議下，授權(quán)一旦給出便不可撤銷；但在一些大模型的自擬協(xié)議里，這一限制被取消，為后續(xù)商業(yè)博弈留足了回旋余地。

還有的項(xiàng)目直接按用戶規(guī)模設(shè)限：月活躍用戶超過(guò)某個(gè)數(shù)量，就必須另行商議授權(quán)。

巧合的是，2.0 全景圖的數(shù)據(jù)也印證了這一觀察：新晉項(xiàng)目的 License 多為帶有限制性的變體，引發(fā)了「算不算開源」的爭(zhēng)論。

例如，Dify 采用 BSL（Business Source License）變體，先開放代碼，若干年后才切換為寬松協(xié)議，以保障商業(yè)利益。

n8n 使用 Fair-code，強(qiáng)調(diào)「防止大廠白嫖」，Cherry Studio 則在條款中明確了商用需額外授權(quán)，體現(xiàn)出對(duì)商業(yè)模式的防御。

而另一層模糊，來(lái)自 GitHub 本身。Cursor、Claude-Code 等項(xiàng)目甚至連代碼都閉源，卻依舊在 GitHub 上大熱，成了廠商收集反饋的窗口。何為「開源社區(qū)」在這一波大模型浪潮中，似乎也在被挑戰(zhàn)。

番外篇：大模型的戰(zhàn)場(chǎng)

作為 Bonus，2.0 版本還特意梳理了 2025 年 1 月至今國(guó)內(nèi)外主流廠商的大模型發(fā)布時(shí)間線，包含開源、閉源模型，發(fā)現(xiàn)了一些有趣的現(xiàn)象。

這張全景圖也標(biāo)注了每個(gè)模型的參數(shù)、模態(tài)等關(guān)鍵信息，幫助理解當(dāng)下各家廠商的白熱化競(jìng)爭(zhēng)究竟是在哪些方向上展開的。

1. 路線分化：開源 vs 閉源

中國(guó)的開源模型依舊百花齊放，而國(guó)外頂尖廠商則持續(xù)押注閉源。曾憑 Llama 系列對(duì)抗閉源陣營(yíng)的 Meta，如今也逐漸收緊開源節(jié)奏。扎克伯格在公開信中直言，「會(huì)更謹(jǐn)慎地選擇開源什么」。Llama 4 口碑滑鐵盧，更讓 Meta 的處境尷尬。

這也Callback 了阿里云創(chuàng)始人、之江實(shí)驗(yàn)室主任王堅(jiān)在上海外灘大會(huì)開幕式上的判斷：開源與閉源的選擇，已成為 AI 競(jìng)爭(zhēng)的關(guān)鍵變量。

2. MoE 架構(gòu)普及，參數(shù)直沖萬(wàn)億

DeepSeek、Qwen、Kimi 等新旗艦，全面采用專家混合（ MoE ）架構(gòu)。憑借「稀疏激活」，模型總參數(shù)可以飆升到萬(wàn)億級(jí)別，卻只在推理時(shí)激活一小部分。K2、Claude Opus、o3 等巨型模型相繼登場(chǎng)，性能獲得躍升，但也將訓(xùn)練和推理的算力消耗推至新高點(diǎn)。

3. Reasoning：新標(biāo)配

如果說(shuō)去年模型發(fā)布拼的是「規(guī)?！?，今年比拼的就是「推理」。DeepSeek R1 借助強(qiáng)化學(xué)習(xí)大幅增強(qiáng)自動(dòng)化推理和復(fù)雜決策能力，讓Reasoning 成為今年模型發(fā)布的標(biāo)配功能。Qwen、Claude、Gemini 甚至引入「快思/慢想」的混合模式，讓模型像人一樣在任務(wù)間切換反應(yīng)速度。

4. 多模態(tài)：全面爆發(fā)

過(guò)去半年，最強(qiáng)的大腦們不再只盯在語(yǔ)言模型，多模態(tài)賽道開始卷了起來(lái)。語(yǔ)言、圖像、語(yǔ)音交互成為標(biāo)配，中國(guó)廠商在閉源與開源兩條線上都取得全球領(lǐng)先。

與此同時(shí)，語(yǔ)音模態(tài)生態(tài)也在興起：Pipecat、LiveKit Agents、CosyVoice 等工具鏈正在快速補(bǔ)全版圖。

不過(guò)，距離視頻模態(tài)真正成熟，甚至 AGI 的落地，仍有不短的路要走。

5. 模型評(píng)價(jià)：多元化

多模態(tài)的全面爆發(fā)，也帶動(dòng)了評(píng)價(jià)體系的多元化。有人依舊信賴 Design Arena、LMArena 這樣的「人投票」平臺(tái)，用主觀偏好來(lái)判斷模型優(yōu)劣。也有人更看重客觀測(cè)試集的分?jǐn)?shù)，用標(biāo)準(zhǔn)答案來(lái)衡量模型表現(xiàn)。

與此同時(shí)，以 OpenRouter 為代表的 API 網(wǎng)關(guān)平臺(tái)，憑借天然掌握的調(diào)用數(shù)據(jù)，正在形成一種「數(shù)據(jù)投票」的排行榜。而活躍度持續(xù)飆升的 LiteLLM，未來(lái)或許也會(huì)把調(diào)用統(tǒng)計(jì)轉(zhuǎn)化為新型評(píng)測(cè)方式。