編輯：吳昕
卷王指南又更新了，這次還有番外篇。
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」）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。
三個(gè)月前，「一場直播中的『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，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)乏力而被后來者超越。
最?drama的，當(dāng)屬?TensorFlow?的謝幕，這位昔日巨星最終沒能抵擋?PyTorch?的攻勢，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，幾乎每個(gè)季度都能看到新人登場、舊人退場。
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，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：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^?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。
如果說?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)者群像來看，中美雙雄貢獻(xiàn)超過?55%，依然是項(xiàng)目的絕對領(lǐng)導(dǎo)者，其中美國以?37.41%?的比例位居第一。
在技術(shù)領(lǐng)域的細(xì)分貢獻(xiàn)中，美國在?AI Infra?和?AI Data?上優(yōu)勢明顯。
如，AI Infra，美國貢獻(xiàn)度達(dá)?43.39%，是排名第二的中國的兩倍多；而在?AI Data?的領(lǐng)先優(yōu)勢更為明顯。
中國在具體應(yīng)用層（?AI Agent?）則表現(xiàn)接近美國，兩國貢獻(xiàn)度分別為?21.5%?和?24.62%?，這與中國開發(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，2.0?更契合螞蟻「開源技術(shù)增長」團(tuán)隊(duì)做這件事的初衷：對內(nèi)，為企業(yè)決策提供依據(jù)；對外，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，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)歷從野蠻生長走向系統(tǒng)分化的過程。
2.0的AI Agent?層
AI Agent?的迭代經(jīng)歷猶如過山車。
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。
接下來，我們逐一拆解細(xì)分領(lǐng)域的變化。
1、從瘋到癲，AI Coding?增長曲線仍在陡升
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，市場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。
這種趨勢在行業(yè)交流中感受尤深。這次上海外灘大會上，有嘉賓直言?AI Coding?工具卷到用不過來；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：通過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)入平臺期，逐漸降溫。
Lobe-Chat 以日更節(jié)奏，用框架將「ChatGPT?式對話」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「對話」，而對話在生產(chǎn)力上的突破有限。
Cherry Studio?開辟了另一條路徑：把?Chatbot?與知識庫/筆記結(jié)合，定位于「個(gè)人知識助理」，更貼近長期生產(chǎn)力需求。這可能也是它逆勢上榜的原因——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（專注知識庫問答）、FastGPT（輕量?RAG?平臺）、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、可觀測性等企業(yè)級能力，形成從原型到生產(chǎn)的一站式平臺，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?未來可能從「檢索增強(qiáng)」走向「長期學(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、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題。
而?Browser-use?更是在?9?個(gè)月拿下?60K star，讓?Agent?真正學(xué)會操作網(wǎng)頁，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，正在為未來更強(qiáng)自治的?AI?系統(tǒng)打下基礎(chǔ)。
不過，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)交互場景，如語音對話、多人協(xié)作，這在過去是圖譜里幾乎沒有覆蓋的。
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)?；?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、安全性是繞不過去的門檻。從?2023?年以來，這條賽道就持續(xù)高燒不退，依然是?AI Infra?的主戰(zhàn)場。
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?年以來增長最快的主賽道。
Phoenix、Langfuse、Opik、Promptfoo、1Panel、Dagger?等項(xiàng)目，幾乎覆蓋了從監(jiān)控、提示詞評測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」：原本分散在模型評測和傳統(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」。
換句話說，LLMOps?核心聚焦在監(jiān)控、提示詞效果、可觀測性和安全可信上，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?級別模型成本過高，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。
問題在于應(yīng)用層成了新的戰(zhàn)場：圍繞?Chatbot、Agent Tool、Workflow，對開發(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，增長見頂；Swift、Unsloth、LLaMA-Factory雖短期吸睛，但沒能形成持續(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，一部分原因在于這些技術(shù)本身已足夠成熟，沒必要重復(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，早已成為「基礎(chǔ)拼圖」，經(jīng)過反復(fù)驗(yàn)證后，缺少新的突破口。
另一方面，AI Data?更偏向企業(yè)級場景，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，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)平臺被專家預(yù)測將從「倉庫」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：越來越多的大模型項(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)出對商業(yè)模式的防御。
而另一層模糊，來自?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
作為?Bonus，2.0?版本還特意梳理了?2025?年?1?月至今國內(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爭究竟是在哪些方向上展開的。
1.?路線分化：開源?vs?閉源
中國的開源模型依舊百花齊放，而國外頂尖廠商則持續(xù)押注閉源。曾憑?Llama?系列對抗閉源陣營的?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)在上海外灘大會開幕式上的判斷：開源與閉源的選擇，已成為?AI?競爭的關(guān)鍵變量。
2. MoE?架構(gòu)普及，參數(shù)直沖萬億
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)可以飆升到萬億級別，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，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)
過去半年，最強(qiáng)的大腦們不再只盯在語言模型，多模態(tài)賽道開始卷了起來。語言、圖像、語音交互成為標(biāo)配，中國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，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.?模型評價(jià)：多元化
多模態(tài)的全面爆發(fā)，也帶動(dòng)了評價(jià)體系的多元化。有人依舊信賴?Design Arena、LMArena?這樣的「人投票」平臺，用主觀偏好來判斷模型優(yōu)劣。也有人更看重客觀測試集的分?jǐn)?shù)，用標(biāo)準(zhǔn)答案來衡量模型表現(xiàn)。
與此同時(shí)，以?OpenRouter?為代表的?API?網(wǎng)關(guān)平臺，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，未來或許也會把調(diào)用統(tǒng)計(jì)轉(zhuǎn)化為新型評測方式。
? THE END
轉(zhuǎn)載請聯(lián)系本公眾號獲得授權(quán)
投稿或?qū)で髨?bào)道：liyazhou@jiqizhixin.com
