OpenLedger深度研報：以OP Stack+EigenDA爲底座，構建一個數據驅動、模型可組合的智能體經濟

一、引言 | Crypto AI 的模型層躍遷

數據、模型與算力是 AI 基礎設施的三大核心要素，類比燃料（數據）、引擎（模型）、能源（算力）缺一不可。與傳統 AI 行業的基礎設施演進路徑類似，Crypto AI 領域也經歷了相似的階段。2024 年初，市場一度被去中心化 GPU 項目所主導，普遍強調「拼算力」的粗放式增長邏輯。而進入 2025 年後，行業關注點逐步上移至模型與數據層，標志着 Crypto AI 正從底層資源競爭過渡到更具可持續性與應用價值的中層構建。

通用大模型（LLM）vs 特化模型（SLM）

傳統的大型語言模型（LLM）訓練高度依賴大規模數據集與復雜的分布式架構，參數規模動輒 70B～500B，訓練一次的成本常高達數百萬美元。而 SLM（Specialized Language Model）作爲一種可復用基礎模型的輕量微調範式，通常基於開源模型，結合少量高質量專業數據及 LoRA 等技術，快速構建具備特定領域知識的專家模型，顯著降低訓練成本與技術門檻。

值得注意的是，SLM 並不會被集成進 LLM 權重中，而是通過 Agent 架構調用、插件系統動態路由、LoRA 模塊熱插拔、RAG（檢索增強生成）等方式與 LLM 協作運行。這一架構既保留了 LLM 的廣覆蓋能力，又通過精調模塊增強了專業表現，形成了高度靈活的組合式智能系統。

Crypto AI 在模型層的價值與邊界

Crypto AI 項目本質上難以直接提升大語言模型（LLM）的核心能力，核心原因在於

• 技術門檻過高：訓練 Foundation Model 所需的數據規模、算力資源與工程能力極其龐大，目前僅有美國與中國等科技巨頭具備相應能力。
• 開源生態局限：雖然主流基礎模型如 LLaMA、Mixtral 已開源，但真正推動模型突破的關鍵依然集中於科研機構與閉源工程體系，鏈上項目在核心模型層的參與空間有限。

然而，在開源基礎模型之上，Crypto AI 項目仍可通過精調特化語言模型（SLM），並結合 Web3 的可驗證性與激勵機制實現價值延伸。作爲 AI 產業鏈的「週邊接口層」，體現於兩個核心方向：

• 可信驗證層：通過鏈上記錄模型生成路徑、數據貢獻與使用情況，增強 AI 輸出的可追溯性與抗篡改能力。
• 激勵機制： 借助原生 Token，用於激勵數據上傳、模型調用、智能體（Agent）執行等行爲，構建模型訓練與服務的正向循環。

AI 模型類型分類與 區塊鏈適用性分析

由此可見，模型類 Crypto AI 項目的可行落點主要集中在小型 SLM 的輕量化精調、RAG 架構的鏈上數據接入與驗證、以及 Edge 模型的本地部署與激勵上。結合區塊鏈的可驗證性與代幣機制，Crypto 能爲這些中低資源模型場景提供特有價值，形成 AI「接口層」的差異化價值。

基於數據與模型的區塊鏈 AI 鏈，可對每一條數據和模型的貢獻來源進行清晰、不可篡改的上鏈記錄，顯著提升數據可信度與模型訓練的可溯性。同時，通過智能合約機制，在數據或模型被調用時自動觸發獎勵分發，將 AI 行爲轉化爲可計量、可交易的代幣化價值，構建可持續的激勵體系。此外，社區用戶還可通過代幣投票評估模型性能、參與規則制定與迭代，完善去中心化治理架構。

二、項目概述 | OpenLedger 的 AI 鏈願景

OpenLedger 是當前市場上爲數不多專注於數據與模型激勵機制的區塊鏈 AI 項目。它率先提出「Payable AI」的概念，旨在構建一個公平、透明且可組合的 AI 運行環境，激勵數據貢獻者、模型開發者與 AI 應用構建者在同一平台協作，並根據實際貢獻獲得鏈上收益。

OpenLedger 提供了從「數據提供」到「模型部署」再到「調用分潤」的全鏈條閉環，其核心模塊包括：

• Model Factory：無需編程，即可基於開源 LLM 使用 LoRA 微調訓練並部署定制模型；
• OpenLoRA：支持千模型共存，按需動態加載，顯著降低部署成本；
• PoA（Proof of Attribution）：通過鏈上調用記錄實現貢獻度量與獎勵分配；
• Datanets：面向垂類場景的結構化數據網路，由社區協作建設與驗證；
• 模型提案平台（Model Proposal Platform）：可組合、可調用、可支付的鏈上模型市場。

通過以上模塊，OpenLedger 構建了一個數據驅動、模型可組合的「智能體經濟基礎設施」，推動 AI 價值鏈的鏈上化。

而在區塊鏈技術採用上，OpenLedger 以 OP Stack + EigenDA 爲底座，爲 AI 模型構建了高性能、低成本、可驗證的數據與合約運行環境。

• 基於 OP Stack 構建： 基於 Optimism 技術棧，支持高吞吐與低費用執行；
• 在以太坊主網上結算： 確保交易安全性與資產完整性；
• EVM 兼容： 方便開發者基於 Solidity 快速部署與擴展；
• EigenDA 提供數據可用性支持：顯著降低存儲成本，保障數據可驗證性。

相比於 NEAR 這類更偏底層、主打數據主權與 「AI Agents on BOS」 架構的通用型 AI 鏈，OpenLedger 更專注於構建面向數據與模型激勵的 AI 專用鏈，致力於讓模型的開發與調用在鏈上實現可追溯、可組合與可持續的價值閉環。它是 Web3 世界中的模型激勵基礎設施，結合模型托管、使用計費與鏈上可組合接口，推動「模型即資產」的實現路徑。

三、OpenLedger 的核心組件與技術架構

3.1 Model Factory，無需代碼模型工廠

ModelFactory 是 OpenLedger 生態下的一個大型語言模型（LLM）微調平台。與傳統微調框架不同，ModelFactory 提供純圖形化界面操作，無需命令行工具或 API 集成。用戶可以基於在 OpenLedger 上完成授權與審核的數據集，對模型進行微調。實現了數據授權、模型訓練與部署的一體化工作流，其核心流程包括：

• 數據訪問控制： 用戶提交數據請求，提供者審核批準，數據自動接入模型訓練界面。
• 模型選擇與配置： 支持主流 LLM（如 LLaMA、Mistral），通過 GUI 配置超參數。
• 輕量化微調： 內置 LoRA / QLoRA 引擎，實時展示訓練進度。
• 模型評估與部署： 內建評估工具，支持導出部署或生態共享調用。
• 交互驗證接口： 提供聊天式界面，便於直接測試模型問答能力。
• RAG 生成溯源： 回答帶來源引用，增強信任與可審計性。

Model Factory 系統架構包含六大模塊，貫穿身分認證、數據權限、模型微調、評估部署與 RAG 溯源，打造安全可控、實時交互、可持續變現的一體化模型服務平台。

ModelFactory 目前支持的大語言模型能力簡表如下：

• LLaMA 系列：生態最廣、社區活躍、通用性能強，是當前最主流的開源基礎模型之一。
• Mistral：架構高效、推理性能極佳，適合部署靈活、資源有限的場景。
• Qwen：中文任務表現優異，綜合能力強，適合國內開發者首選。
• ChatGLM：中文對話效果突出，適合垂類客服和本地化場景。
• Deepseek：在代碼生成和數學推理上表現優越，適用於智能開發輔助工具。
• Gemma：Google 推出的輕量模型，結構清晰，易於快速上手與實驗。
• Falcon：曾是性能標杆，適合基礎研究或對比測試，但社區活躍度已減。
• BLOOM：多語言支持較強，但推理性能偏弱，適合語言覆蓋型研究。
• GPT-2：經典早期模型，僅適合教學和驗證用途，不建議實際部署使用。

雖然 OpenLedger 的模型組合並未包含最新的高性能 MoE 模型或多模態模型，但其策略並不落伍，而是基於鏈上部署的現實約束（推理成本、RAG 適配、LoRA 兼容、EVM 環境）所做出的「實用優先」配置。

Model Factory 作爲無代碼工具鏈，所有模型都內置了貢獻證明機制，確保數據貢獻者和模型開發者的權益，具有低門檻、可變現與可組合性的優點，與傳統模型開發工具相比較：

• 對於開發者：提供模型孵化、分發、收入的完整路徑；
• 對於平台：形成模型資產流通與組合生態；
• 對於應用者：可以像調用 API 一樣組合使用模型或 Agent。

3.2 OpenLoRA，微調模型的鏈上資產化

LoRA（Low-Rank Adaptation）是一種高效的參數微調方法，通過在預訓練大模型中插入「低秩矩陣」來學習新任務，而不修改原模型參數，從而大幅降低訓練成本和存儲需求。傳統大語言模型（如 LLaMA、GPT-3）通常擁有數十億甚至千億參數。要將它們用於特定任務（如法律問答、醫療問診），就需要進行微調（fine-tuning）。LoRA 的核心策略是：「凍結原始大模型的參數，只訓練插入的新參數矩陣。」，其參數高效、訓練快速、部署靈活，是當前最適合 Web3 模型部署與組合調用的主流微調方法。

OpenLoRA 是 OpenLedger 構建的一套專爲多模型部署與資源共享而設計的輕量級推理框架。它核心目標是解決當前 AI 模型部署中常見的高成本、低復用、GPU 資源浪費等問題，推動「可支付 AI」（Payable AI）的落地執行。

OpenLoRA 系統架構核心組件，基於模塊化設計，覆蓋模型存儲、推理執行、請求路由等關鍵環節，實現高效、低成本的多模型部署與調用能力：

• LoRA Adapter 存儲模塊 (LoRA Adapters Storage)：微調後的 LoRA adapter 被托管在 OpenLedger 上，實現按需加載，避免將所有模型預載入顯存，節省資源。
• 模型托管與動態融合層 (Model Hosting & Adapter Merging Layer)：所有微調模型共用基礎大模型（base model），推理時 LoRA adapter 動態