OpenLedger深度研报：以OP Stack+EigenDA为底座，构建一个数据驱动、模型可组合的智能体经济

一、引言 | Crypto AI 的模型层跃迁

数据、模型与算力是AI基础设施的三大核心要素，类比燃料（数据）、引擎（模型）、能源（算力）缺一不可。与传统AI行业的基础设施演进路径类似，Crypto AI领域也经历了相似的阶段。2024年初，市场一度被去中心化GPU项目所主导(Akash、Render、io.net等)，普遍强调"拼算力"的粗放式增长逻辑。而进入2025年后，行业关注点逐步上移至模型与数据层，标志着Crypto AI正从底层资源竞争过渡到更具可持续性与应用价值的中层构建。

通用大模型（LLM）vs 特化模型（SLM）

传统的大型语言模型（LLM）训练高度依赖大规模数据集与复杂的分布式架构，参数规模动辄70B～500B，训练一次的成本常高达数百万美元。而SLM（Specialized Language Model）作为一种可复用基础模型的轻量微调范式，通常基于LLaMA、Mistral、DeepSeek等开源模型，结合少量高质量专业数据及LoRA等技术，快速构建具备特定领域知识的专家模型，显著降低训练成本与技术门槛。

值得注意的是，SLM并不会被集成进LLM权重中，而是通过Agent架构调用、插件系统动态路由、LoRA模块热插拔、RAG（检索增强生成）等方式与LLM协作运行。这一架构既保留了LLM的广覆盖能力，又通过精调模块增强了专业表现，形成了高度灵活的组合式智能系统。

Crypto AI 在模型层的价值与边界

Crypto AI项目本质上难以直接提升大语言模型（LLM）的核心能力，核心原因在于

• 技术门槛过高：训练Foundation Model所需的数据规模、算力资源与工程能力极其庞大，目前仅有某些科技巨头具备相应能力。
• 开源生态局限：虽然主流基础模型如LLaMA、Mixtral已开源，但真正推动模型突破的关键依然集中于科研机构与闭源工程体系，链上项目在核心模型层的参与空间有限。

然而，在开源基础模型之上，Crypto AI项目仍可通过精调特化语言模型（SLM），并结合Web3的可验证性与激励机制实现价值延伸。作为AI产业链的"周边接口层"，体现于两个核心方向：

• 可信验证层：通过链上记录模型生成路径、数据贡献与使用情况，增强AI输出的可追溯性与抗篡改能力。
• 激励机制： 借助原生Token，用于激励数据上传、模型调用、智能体（Agent）执行等行为，构建模型训练与服务的正向循环。

AI 模型类型分类与 区块链适用性分析

由此可见，模型类Crypto AI项目的可行落点主要集中在小型SLM的轻量化精调、RAG架构的链上数据接入与验证、以及Edge模型的本地部署与激励上。结合区块链的可验证性与代币机制，Crypto能为这些中低资源模型场景提供特有价值，形成AI"接口层"的差异化价值。

基于数据与模型的区块链AI链，可对每一条数据和模型的贡献来源进行清晰、不可篡改的上链记录，显著提升数据可信度与模型训练的可溯性。同时，通过智能合约机制，在数据或模型被调用时自动触发奖励分发，将AI行为转化为可计量、可交易的代币化价值，构建可持续的激励体系。此外，社区用户还可通过代币投票评估模型性能、参与规则制定与迭代，完善去中心化治理架构。

二、项目概述 | OpenLedger 的 AI 链愿景

OpenLedger是当前市场上为数不多专注于数据与模型激励机制的区块链AI项目。它率先提出"Payable AI"的概念，旨在构建一个公平、透明且可组合的AI运行环境，激励数据贡献者、模型开发者与AI应用构建者在同一平台协作，并根据实际贡献获得链上收益。

OpenLedger提供了从"数据提供"到"模型部署"再到"调用分润"的全链条闭环，其核心模块包括：

• Model Factory：无需编程，即可基于开源LLM使用LoRA微调训练并部署定制模型；
• OpenLoRA：支持千模型共存，按需动态加载，显著降低部署成本；
• PoA（Proof of Attribution）：通过链上调用记录实现贡献度量与奖励分配；
• Datanets：面向垂类场景的结构化数据网络，由社区协作建设与验证；
• 模型提案平台（Model Proposal Platform）：可组合、可调用、可支付的链上模型市场。

通过以上模块，OpenLedger构建了一个数据驱动、模型可组合的"智能体经济基础设施"，推动AI价值链的链上化。

而在区块链技术采用上，OpenLedger以OP Stack + EigenDA为底座，为AI模型构建了高性能、低成本、可验证的数据与合约运行环境。

• 基于OP Stack构建： 基于Optimism技术栈，支持高吞吐与低费用执行；
• 在以太坊主网上结算： 确保交易安全性与资产完整性；
• EVM兼容： 方便开发者基于Solidity快速部署与扩展；
• EigenDA提供数据可用性支持：显著降低存储成本，保障数据可验证性。

相比于NEAR这类更偏底层、主打数据主权与 "AI Agents on BOS" 架构的通用型AI链，OpenLedger更专注于构建面向数据与模型激励的AI专用链，致力于让模型的开发与调用在链上实现可追溯、可组合与可持续的价值闭环。它是Web3世界中的模型激励基础设施，结合HuggingFace式的模型托管、Stripe式的使用计费与Infura式的链上可组合接口，推动"模型即资产"的实现路径。

三、OpenLedger 的核心组件与技术架构

3.1 Model Factory，无需代码模型工厂

ModelFactory是OpenLedger生态下的一个大型语言模型（LLM）微调平台。与传统微调框架不同，ModelFactory提供纯图形化界面操作，无需命令行工具或API集成。用户可以基于在OpenLedger上完成授权与审核的数据集，对模型进行微调。实现了数据授权、模型训练与部署的一体化工作流，其核心流程包括：

• 数据访问控制： 用户提交数据请求，提供者审核批准，数据自动接入模型训练界面。
• 模型选择与配置： 支持主流LLM（如LLaMA、Mistral），通过GUI配置超参数。
• 轻量化微调： 内置LoRA / QLoRA引擎，实时展示训练进度。
• 模型评估与部署： 内建评估工具，支持导出部署或生态共享调用。
• 交互验证接口： 提供聊天式界面，便于直接测试模型问答能力。
• RAG生成溯源： 回答带来源引用，增强信任与可审计性。

Model Factory系统架构包含六大模块，贯穿身份认证、数据权限、模型微调、评估部署与RAG溯源，打造安全可控、实时交互、可持续变现的一体化模型服务平台。

ModelFactory目前支持的大语言模型能力简表如下：

• LLaMA系列：生态最广、社区活跃、通用性能强，是当前最主流的开源基础模型之一。
• Mistral：架构高效、推理性能极佳，适合部署灵活、资源有限的场景。
• Qwen：阿里出品，中文任务表现优异，综合能力强，适合国内开发者首选。
• ChatGLM：中文对话效果突出，适合垂类客服和本地化场景。
• Deepseek：在代码生成和数学推理上表现优越，适用于智能开发辅助工具。
• Gemma：Google推出的轻量模型，结构清晰，易于快速上手与实验。
• Falcon：曾是性能标杆，适合基础研究或对比测试，但社区活跃度已减。
• BLOOM：多语言支持较强，但推理性能偏弱，适合语言覆盖型研究。
• GPT-2：经典早期模型，仅适合教学和验证用途，不建议实际部署使用。

虽然OpenLedger的模型组合并未包含最新的高性能MoE模型或多模态模型，但其策略并不落伍，而是基于链上部署的现实约束（推理成本、RAG适配、LoRA兼容、EVM环境）所做出的"实用优先"配置。

Model Factory作为无代码工具链，所有模型都内置了贡献证明机制，确保数据贡献者和模型开发者的权益，具有低门槛、可变现与可组合性的优点，与传统模型开发工具相比较：

• 对于开发者：提供模型孵化、分发、收入的完整路径；
• 对于平台：形成模型资产流通与组合生态；
• 对于应用者：可以像调用API一样组合使用模型或Agent。

3.2 OpenLoRA，微调模型的链上资产化

LoRA（Low-Rank Adaptation）是一种高效的参数微调方法，通过在预训练大模型中插入"低秩矩阵"来学习新任务，而不修改原模型参数，从而大幅降低训练成本和存储需求。传统大语言模型（如LLaMA、GPT-3）通常拥有数十亿甚至千亿参数。要将它们用于特定任务（如法律问答、医疗问诊），就需要进行微调（fine-tuning）。LoRA的核心策略是："冻结原始大模型的参数，只训练插入的新参数矩阵。"，其参数高效、训练快速、部署灵活，是当前最适合Web3模型部署与组合调用的主流微调方法。

OpenLoRA是OpenLedger构建的一套专为多模型部署与资源共享而设计的轻量级推理框架。它核心目标是解决当前AI模型部署中常见的高成本、低复用、GPU资源浪费等问题，推动"可支付AI"（Payable AI）的落地执行。

OpenLoRA系统架构核心组件，基于模块化设计，覆盖模型存储、推理执行、请求路由等关键环节，实现高效、低成本的多模型部署与调用能力：

• LoRA Adapter存储模块 (LoRA Adapters Storage)：微调后的LoRA adapter被托管在OpenLedger上，实现按需加载，避免将所有模型预载入显存，节省资源。
• 模型托管与动态融合层 (Model Hosting & Adapter Merging Layer)：所有微调模型共用基础大模型（base model），推理时LoRA adapter动态合并，支持多个adapter联合推理（ensemble），提升性能。
• 推理引擎（Inference Engine）：集成Flash-Attention、Paged-Attention、SGMV优化等多项CUDA优化技术。
• 请求路由与流式输出模块 (Request Router & Token Streaming): 根据请求中所需模型动态路由至正确adapter, 通过优化内核实现token级别的流式生成。

OpenLoRA的推理流程属于技术层面"成熟通用"的模型服务"流程，如下：

• 基础模型加载：系统预加载如LLaMA 3、Mistral等基础