作者：JacobZhao 來源：mirror

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 (Akash、Render、io.net 等 )，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，標志著 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複雜的分佈式架構，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）作為一種可復用基礎模型的輕量微調範式，通常基於 LLaMA、Mistral、DeepSeek 等開源模型，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（OpenAI 等）與中國（DeepSeek 等）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与空間有限。

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。作為 AI 產業鏈的「周邊接口層」，體現於兩個核心方向：

1. 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。

2. 激勵機制： 藉助原生 Token，用於激勵數據上傳、模型調用、智能體（Agent）執行等行為，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 能為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 行為轉化為可計量、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、參与規則制定與迭代，完善去中心化治理架構。

二、項目概述 | OpenLedger 的 AI 鏈願景

OpenLedger 是當前市場上為數不多專註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 微調訓練並部署定製模型；

• 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絡，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 為底座，為 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 更專註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 HuggingFace 式的模型託管、Stripe 式的使用計費與 Infura 式的鏈上可組合接口，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：

1. 數據訪問控制： 用戶提交數據請求，提供者審核批准，數據自動接入模型訓練界面。

2. 模型選擇與配置： 支持主流 LLM（如 LLaMA、Mistral），通過 GUI 配置超參數。

3. 輕量化微調： 內置 LoRA / QLoRA 引擎，實時展示訓練進度。

4. 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。

5. 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。

6. 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，貫穿身份認證、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：阿里出品，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 的模型組合併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 作為無代碼工具鏈，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 構建的一套專為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：

1. LoRA Adapter 存儲模塊 (LoRA Adapters Storage)：微調后的 LoRA adapter 被託管在 OpenLedger 上，實現按需加載，避免將所有模型預載入顯存，節省資源。

2. 模型託管與動態融合層 (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 動態合併，支持多個 adapter 聯合推理（ensemble），提升性能。

3. 推理引擎（Inference Engine）：集成 Flash-Attention、Paged-Attention、SGMV 優化等多項 CUDA 優化技術。

4. 請求路由與流式輸出模塊 (Request Router & Token Streaming): 根據請求中所需模型動態路由至正確 adapter, 通過優化內核實現 token 級別的流式生成。

OpenLoRA 的推理流程屬於技術層面「成熟通用」的模型服務「流程，如下：

1. 基礎模型加載：系統預加載如 LLaMA 3、Mistral 等基礎大模型至 GPU 顯存中。

2. LoRA 動態檢索：接收請求后，從 Hugging Face、Predibase 或本地目錄動態加載指定 LoRA adapter。

3. 適配器合併激活：通過優化內核將 adapter 與基礎模型實時合併，支持多 adapter 組合推理。

4. 推理執行與流式輸出：合併后的模型開始生成響應，採用 token 級流式輸出降低延遲，結合量化保障效率與精度。

5. 推理結束與資源釋放：推理完成后自動卸載 adapter，釋放顯存資源。確保可在單 GPU 上高效輪轉並服務數千個微調模型，支持模型高效輪轉。

OpenLoRA 通過一系列底層優化手段，顯著提升了多模型部署與推理的效率。其核心包括動態 LoRA 適配器加載（JIT loading），有效降低顯存佔用；張量并行（Tensor Parallelism）與 Paged Attention 實現高併發與長文本處理；支持多模型融合（Multi-Adapter Merging）多適配器合併執行，實現 LoRA 組合推理（ensemble）；同時通過 Flash Attention、預編譯 CUDA 內核和 FP8/INT8 量化技術，對底層 CUDA 優化與量化支持，進一步提升推理速度並降低延遲。這些優化使得 OpenLoRA 能在單卡環境下高效服務數千個微調模型，兼顧性能、可擴展性與資源利用率。

OpenLoRA 定位不僅是一個高效的 LoRA 推理框架，更是將模型推理與 Web3 激勵機制深度融合，目標是將 LoRA 模型變成可調用、可組合、可分潤的 Web3 資產。

1. 模型即資產（Model-as-Asset）：OpenLoRA 不只是部署模型，而是賦予每個微調模型鏈上身份（Model ID），並將其調用行為與經濟激勵綁定，實現「調用即分潤」。

2. 多 LoRA 動態合併 + 分潤歸屬：支持多個 LoRA adapter 的動態組合調用，允許不同模型組合形成新的 Agent 服務，同時系統可基於 PoA（Proof of Attribution）機制按調用量為每個適配器精確分潤。

3. 支持長尾模型的「多租戶共享推理」：通過動態加載與顯存釋放機制，OpenLoRA 能在單卡環境下服務數千個 LoRA 模型，特別適合 Web3 中小眾模型、個性化 AI 助手等高復用、低頻調用場景。

此外，OpenLedger 發布了其對 OpenLoRA 性能指標的未來展望，相比傳統全參數模型部署，其顯存佔用大幅降低至 8–12GB；模型切換時間理論上可低於 100ms；吞吐量可達 2000+ tokens/sec；延遲控制在 20–50ms 。整體而言，這些性能指標在技術上具備可達性，但更接近「上限表現」，在實際生產環境中，性能表現可能會受到硬件、調度策略和場景複雜度的限制，應被視為「理想上限」而非「穩定日常」。

3.3 Datanets（數據網絡），從數據主權到數據智能

高質量、領域專屬的數據成為構建高性能模型的關鍵要素。Datanets 是 OpenLedger 」數據即資產「的基礎設施，用於收集和管理特定領域的數據集，用於聚合、驗證與分發特定領域數據的去中心化網絡，為 AI 模型的訓練與微調提供高質量數據源。每個 Datanet 就像一個結構化的數據倉庫，由貢獻者上傳數據，並通過鏈上歸屬機制確保數據可溯源、可信任，通過激勵機制與透明的權限控制，Datanets 實現了模型訓練所需數據的社區共建與可信使用。

與聚焦數據主權的 Vana 等項目相比，OpenLedger 並不止於「數據收集」，而是通過 Datanets（協作式標註與歸屬數據集）、Model Factory（支持無代碼微調的模型訓練工具）、OpenLoRA（可追蹤、可組合的模型適配器）三大模塊，將數據價值延展至模型訓練與鏈上調用，構建「從數據到智能（data-to-intelligence）」的完整閉環。Vana 強調「誰擁有數據」，而 OpenLedger 則聚焦「數據如何被訓練、調用並獲得獎勵」，在 Web3 AI 生態中分別佔據數據主權保障與數據變現路徑的關鍵位置。

3.4 Proof of Attribution（貢獻證明）：重塑利益分配的激勵層

Proof of Attribution（PoA）是 OpenLedger 實現數據歸屬與激勵分配的核心機制，通過鏈上加密記錄，將每一條訓練數據與模型輸出建立可驗證的關聯，確保貢獻者在模型調用中獲得應得回報，其數據歸屬與激勵流程概覽如下：

• 數據提交：用戶上傳結構化、領域專屬的數據集，並上鏈確權。

• 影響評估：系統根據數據特徵影響與貢獻者聲譽，在每次推理時評估其價值。

• 訓練驗證：訓練日誌記錄每條數據的實際使用情況，確保貢獻可驗證。

• 激勵分配：根據數據影響力，向貢獻者發放與效果掛鈎的 Token 獎勵。

• 質量治理：對低質、冗餘或惡意數據進行懲罰，保障模型訓練質量。

與 Bittensor 子網架構結合評分機制的區塊鏈通用型激勵網絡相比較，OpenLedger 則專註於模型層面的價值捕獲與分潤機制。PoA 不僅是一個激勵分發工具，更是一個面向 透明度、來源追蹤與多階段歸屬 的框架：它將數據的上傳、模型的調用、智能體的執行過程全程上鏈記錄，實現端到端的可驗證價值路徑。這種機制使得每一次模型調用都能溯源至數據貢獻者與模型開發者，從而實現鏈上 AI 系統中真正的「價值共識」與「收益可得」。

RAG(Retrieval-Augmented Generation) 是一種結合檢索系統與生成式模型的 AI 架構，它旨在解決傳統語言模型「知識封閉」「胡編亂造」的問題，通過引入外部知識庫增強模型生成能力，使輸出更加真實、可解釋、可驗證。RAG Attribution 是 OpenLedger 在檢索增強生成（Retrieval-Augmented Generation）場景下建立的數據歸屬與激勵機制，確保模型輸出的內容可追溯、可驗證，貢獻者可激勵，最終實現生成可信化與數據透明化，其流程包括：

1. 用戶提問 → 檢索數據：AI 接收到問題后，從 OpenLedger 數據索引中檢索相關內容。

2. 數據被調用並生成回答：檢索到的內容被用於生成模型回答，並被鏈上記錄調用行為。

3. 貢獻者獲得獎勵：數據被使用后，其貢獻者獲得按金額與相關性計算的激勵。

4. 生成結果帶引用：模型輸出附帶原始數據來源鏈接，實現透明問答與可驗證內容。

OpenLedger 的 RAG Attribution 讓每一次 AI 回答都可追溯至真實數據來源，貢獻者按引用頻次獲得激勵，實現「知識有出處、調用可變現」。這一機制不僅提升了模型輸出的透明度，也為高質量數據貢獻構建了可持續的激勵閉環，是推動可信 AI 和數據資產化的關鍵基礎設施。

四、OpenLedger 項目進展與生態合作

目前 OpenLedger 已上線測試網，數據智能層 (Data Intelligence Layer) 是 OpenLedger 測試網的首個階段，旨在構建一個由社區節點共同驅動的互聯網數據倉庫。這些數據經過篩選、增強、分類和結構化處理，最終形成適用於大型語言模型（LLM）的輔助智能，用於構建 OpenLedger 上的領域 AI 模型。社區成員可運行邊緣設備節點，參与數據採集與處理，節點將使用本地計算資源執行數據相關任務，參与者根據活躍度和任務完成度獲得積分獎勵。而這些積分將在未來轉換為 OPEN 代幣，具體兌換比例將在代幣生成事件（TGE）前公布。

OpenLedger 測試網激勵目前提供如下三類收益機制：

Epoch 2 測試網重點推出了 Datanets 數據網絡機制，該階段僅限白名單用戶參与，需完成預評估以解鎖任務。任務涵蓋數據驗證、分類等，完成后根據準確率和難度獲得積分，並通過排行榜激勵高質量貢獻，官網目前提供的可參与數據模型如下：

而 OpenLedger 更為長遠的路線圖規劃，從數據採集、模型構建走向 Agent 生態，逐步實現「數據即資產、模型即服務、Agent 即智能體」的完整去中心化 AI 經濟閉環。

• Phase 1 · 數據智能層 (Data Intelligence Layer)： 社區通過運行邊緣節點採集和處理互聯網數據，構建高質量、持續更新的數據智能基礎層。

• Phase 2 · 社區數據貢獻 (Community Contributions)： 社區參与數據驗證與反饋，共同打造可信的黃金數據集（Golden Dataset），為模型訓練提供優質輸入。

• Phase 3 · 模型構建與歸屬聲明 (Build Models & Claim)： 基於黃金數據，用戶可訓練專用模型並確權歸屬，實現模型資產化與可組合的價值釋放。

• Phase 4 · 智能體創建 (Build Agents)： 基於已發布模型，社區可創建個性化智能體（Agents），實現多場景部署與持續協同演進。

OpenLedger 的生態合作夥伴涵蓋算力、基礎設施、工具鏈與 AI 應用。其合作夥伴包括 Aethir、Ionet、0G 等去中心化算力平台，AltLayer、Etherfi 及 EigenLayer 上的 AVS 提供底層擴容與結算支持；Ambios、Kernel、Web3Auth、Intract 等工具提供身份驗證與開發集成能力；在 AI 模型與智能體方面，OpenLedger 聯合 Giza、Gaib、Exabits、FractionAI、Mira、NetMind 等項目共同推進模型部署與智能體落地，構建一個開放、可組合、可持續的 Web3 AI 生態系統。

過去一年，OpenLedger 在 Token2049 Singapore、Devcon Thailand、Consensus Hong Kong 及 ETH Denver 期間連續主辦 Crypto AI 主題的 DeAI Summit 峰會，邀請了眾多去中心化 AI 領域的核心項目與技術領袖參与。作為少數能夠持續策劃高質量行業活動的基礎設施項目之一，OpenLedger 藉助 DeAI Summit 有效強化了其在開發者社區與 Web3 AI 創業生態中的品牌認知與專業聲譽，為其後續生態拓展與技術落地奠定了良好的行業基礎。

五、融資及團隊背景

OpenLedger 於 2024 年 7 月完成了 1120 萬美元的種子輪融資，投資方包括 Polychain Capital、Borderless Capital、Finality Capital、Hashkey，以及多位知名天使投資人，如 Sreeram Kannan（EigenLayer）、Balaji Srinivasan、Sandeep（Polygon）、Kenny（Manta）、Scott（Gitcoin）、Ajit Tripathi（Chainyoda）和 Trevor。資金將主要用於推進 OpenLedger 的 AI Chain 網絡建設、模型激勵機制、數據基礎層及 Agent 應用生態的全面落地。

OpenLedger 由 Ram Kumar 創立，他是 OpenLedger 的核心貢獻者，同時是一位常駐舊金山的創業者，在 AI/ML 和區塊鏈技術領域擁有堅實的技術基礎。他為項目帶來了市場洞察力、技術專長與戰略領導力的有機結合。Ram 曾聯合領導一家區塊鏈與 AI/ML 研發公司，年營收超過 3500 萬美元，並在推動關鍵合作方面發揮了重要作用，其中包括與沃爾瑪子公司達成的一項戰略合資項目。他專註於生態系統構建與高槓桿合作，致力於加速各行業的現實應用落地。

六、代幣經濟模型設計及治理

OPEN 是 OpenLedger 生態的核心功能型代幣，賦能網絡治理、交易運行、激勵分發與 AI Agent 運營，是構建 AI 模型與數據在鏈上可持續流通的經濟基礎，目前官方公布的代幣經濟學尚屬早期設計階段，細節尚未完全明確，但隨着項目即將邁入代幣生成事件（TGE）階段，其社區增長、開發者活躍度與應用場景實驗正在亞洲、歐洲與中東地區持續加速推進：

• 治理與決策：OPEN 持有者可參与模型資助、Agent 管理、協議升級與資金使用的治理投票。

• 交易燃料與費用支付：作為 OpenLedger 網絡的原生 gas 代幣，支持 AI 原生的定製費率機制。

• 激勵與歸屬獎勵：貢獻高質量數據、模型或服務的開發者可根據使用影響獲得 OPEN 分潤。

• 跨鏈橋接能力：OPEN 支持 L2 ↔ L1（Ethereum）橋接，提升模型和 Agent 的多鏈可用性。

• AI Agent 質押機制：AI Agent 運行需質押 OPEN，表現不佳將被削減質押，激勵高效、可信的服務輸出。

與許多影響力與持幣數量掛鈎的代幣治理協議不同，OpenLedger 引入了一種基於貢獻價值的治理機制。其投票權重與實際創造的價值相關，而非單純的資本權重，優先賦能那些參与模型和數據集構建、優化與使用的貢獻者。這種架構設計有助於實現治理的長期可持續性，防止投機行為主導決策，真正契合其「透明、公平、社區驅動」的去中心化 AI 經濟願景。

七、數據、模型與激勵市場格局及競品比較

OpenLedger 作為「可支付 AI（Payable AI）」模型激勵基礎設施，致力於為數據貢獻者與模型開發者提供可驗證、可歸屬、可持續的價值變現路徑。其圍繞鏈上部署、調用激勵和智能體組合機制，構建出具有差異化特徵的模塊體系，在當前 Crypto AI 賽道中獨樹一幟。雖然尚無項目在整體架構上完全重合，但在協議激勵、模型經濟與數據確權等關鍵維度，OpenLedger 與多個代表性項目呈現出高度可比性與協作潛力。

協議激勵層：OpenLedger vs. Bittensor

 Bittensor 是當前最具代表性的去中心化 AI 網絡，構建了由子網（Subnet）和評分機制驅動的多角色協同系統，以 $TAO 代幣激勵模型、數據與排序節點等參与者。相比之下，OpenLedger 專註於鏈上部署與模型調用的收益分潤，強調輕量化架構與 Agent 協同機制。兩者激勵邏輯雖有交集，但目標層級與系統複雜度差異明顯：Bittensor 聚焦通用 AI 能力網絡底座，OpenLedger 則定位為 AI 應用層的價值承接平台。

模型歸屬與調用激勵：OpenLedger vs. Sentient

 Sentient 提出的 「OML（Open, Monetizable, Loyal）AI」理念在模型確權與社區所有權上與 OpenLedger 部分思路相似，強調通過 Model Fingerprinting 實現歸屬識別與收益追蹤。不同之處在於，Sentient 更聚焦模型的訓練與生成階段，而 OpenLedger 專註於模型的鏈上部署、調用與分潤機制，二者分別位於 AI 價值鏈的上游與下游，具有天然互補性。

模型託管與可信推理平台：OpenLedger vs. OpenGradient

 OpenGradient 側重構建基於 TEE 和 zkML 的安全推理執行框架，提供去中心化模型託管與推理服務，聚焦於底層可信運行環境。相比之下，OpenLedger 更強調鏈上部署后的價值捕獲路徑，圍繞 Model Factory、OpenLoRA、PoA 與 Datanets 構建「訓練—部署—調用—分潤」的完整閉環。兩者所處模型生命周期不同：OpenGradient 偏運行可信性，OpenLedger 偏收益激勵與生態組合，具備高度互補空間。

眾包模型與評估激勵：OpenLedger vs. CrunchDAO

 CrunchDAO 專註於金融預測模型的去中心化競賽機制，鼓勵社區提交模型並基於表現獲得獎勵，適用於特定垂直場景。相較之下，OpenLedger 提供可組合模型市場與統一部署框架，具備更廣泛的通用性與鏈上原生變現能力，適合多類型智能體場景拓展。兩者在模型激勵邏輯上互補，具備協同潛力。

社區驅動輕量模型平台：OpenLedger vs. Assisterr

 Assisterr 基於 Solana 構建，鼓勵社區創建小型語言模型（SLM），並通過無代碼工具與 $sASRR 激勵機制提升使用頻率。相較而言，OpenLedger 更強調數據 - 模型 - 調用的閉環追溯與分潤路徑，藉助 PoA 實現細粒度激勵分配。Assisterr 更適合低門檻的模型協作社區，OpenLedger 則致力於構建可復用、可組合的模型基礎設施。

模型工廠：OpenLedger vs. Pond

 Pond 與 OpenLedger 同樣提供「Model Factory」模塊，但定位與服務對象差異顯著。Pond 專註基於圖神經網絡（GNN）的鏈上行為建模，主要面向算法研究者與數據科學家，並通過競賽機制推動模型開發，Pond 更加傾向於模型競爭；OpenLedger 則基於語言模型微調（如 LLaMA、Mistral），服務開發者與非技術用戶，強調無代碼體驗與鏈上自動分潤機制，構建數據驅動的 AI 模型激勵生態，OpenLedger 更加傾向於數據合作。

可信推理路徑：OpenLedger vs. Bagel

Bagel 推出了 ZKLoRA 框架，利用 LoRA 微調模型與零知識證明（ZKP）技術，實現鏈下推理過程的加密可驗證性，確保推理執行的正確性。而 OpenLedger 則通過 OpenLoRA 支持 LoRA 微調模型的可擴展部署與動態調用，同時從不同角度解決推理可驗證性問題 —— 它通過為每次模型輸出附加歸屬證明（Proof of Attribution, PoA），追蹤推理所依賴的數據來源及其影響力。這不僅提升了透明度，還為高質量數據貢獻者提供獎勵，並增強了推理過程的可解釋性與可信度。簡言之，Bagel 注重計算結果的正確性驗證，而 OpenLedger 則通過歸屬機制實現對推理過程的責任追蹤與可解釋性。

數據側協作路徑：OpenLedger vs. Sapien / FractionAI / Vana / Irys

 Sapien 與 FractionAI 提供去中心化數據標註服務，Vana 與 Irys 聚焦數據主權與確權機制。OpenLedger 則通過 Datanets + PoA 模塊，實現高質量數據的使用追蹤與鏈上激勵分發。前者可作為數據供給上游，OpenLedger 則作為價值分配與調用中樞，三者在數據價值鏈上具備良好協同，而非競爭關係。

總結來看，OpenLedger 在當前 Crypto AI 生態中佔據「鏈上模型資產化與調用激勵」這一中間層位置，既可向上銜接訓練網絡與數據平台，也可向下服務 Agent 層與終端應用，是連接模型價值供給與落地調用的關鍵橋樑型協議。

八、結論 | 從數據到模型，AI 鏈的變現之路

OpenLedger 致力於打造 Web3 世界中的「模型即資產」基礎設施，通過構建鏈上部署、調用激勵、歸屬確權與智能體組合的完整閉環，首次將 AI 模型帶入真正可追溯、可變現、可協同的經濟系統中。其圍繞 Model Factory、OpenLoRA、PoA 和 Datanets 構建的技術體系，為開發者提供低門檻的訓練工具，為數據貢獻者保障收益歸屬，為應用方提供可組合的模型調用與分潤機制，全面激活 AI 價值鏈中長期被忽視的「數據」與「模型」兩端資源。

OpenLedger 更像 HuggingFace + Stripe + Infura 的在 Web3 世界的融合體，為 AI 模型提供託管、調用計費與鏈上可編排的 API 接口。隨着數據資產化、模型自治化、Agent 模塊化趨勢加速演進，OpenLedger 有望成為「Payable AI」模式下的重要中樞 AI 鏈。