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，缺一不可。Crypto AI 领域经历了类似传统 AI 行业的演进路径。2024年初市场被去中心化 GPU 项目主导，强调"拼算力"的粗放式增长逻辑。2025年后，行业关注点逐步上移至模型与数据层，标志着 Crypto AI 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）

传统大语言模型（LLM）训练高度依赖大规模数据集与复杂架构，成本高昂。特化语言模型（SLM）作为轻量微调范式，基于开源模型结合少量高质量专业数据，快速构建特定领域模型，显著降低成本与门槛。

SLM 通过 Agent 架构调用、插件系统、LoRA 模块热插拔、RAG 等方式与 LLM 协作运行。这一架构保留 LLM 广覆盖能力，又通过精调模块增强专业表现，形成灵活的组合式智能系统。

Crypto AI 在模型层的价值与边界

Crypto AI 项目难以直接提升 LLM 核心能力，原因在于:

• 技术门槛过高：训练 Foundation Model 所需资源与能力极其庞大，仅少数科技巨头具备。
• 开源生态局限：真正推动模型突破的关键集中于科研机构与闭源工程体系。

然而，Crypto AI 项目可通过精调 SLM，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"，体现于两个方向：

• 可信验证层：增强 AI 输出的可追溯性与抗篡改能力。
• 激励机制：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

模型类 Crypto AI 项目可行落点主要集中在小型 SLM 精调、RAG 架构的链上数据接入与验证、Edge 模型的本地部署与激励上。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，可对数据和模型贡献来源进行上链记录，提升可信度与可溯性。通过智能合约机制，在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。社区用户可通过代币投票评估模型性能、参与规则制定，完善去中心化治理架构。

二、项目概述 | OpenLedger 的 AI 链愿景

OpenLedger 是专注于数据与模型激励机制的区块链 AI 项目。它提出"Payable AI"概念，构建公平、透明且可组合的 AI 运行环境，激励各方在同一平台协作并获得链上收益。

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

• Model Factory：无需编程即可基于开源 LLM 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）：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
• 模型提案平台：可组合、可调用、可支付的链上模型市场

OpenLedger 以 OP Stack + EigenDA 为底座，为 AI 模型构建高性能、低成本、可验证的数据与合约运行环境。

• 基于 OP Stack 构建：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：方便开发者快速部署与扩展
• EigenDA 提供数据可用性支持：降低存储成本，保障数据可验证性

相比 NEAR 等偏底层的通用型 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，结合模型托管、使用计费与链上可组合接口，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 LLM 微调平台。它提供纯图形化界面操作，无需命令行或 API 集成。用户可基于授权与审核的数据集对模型进行微调，实现数据授权、模型训练与部署的一体化工作流。核心流程包括：

• 数据访问控制
• 模型选择与配置
• 轻量化微调
• 模型评估与部署
• 交互验证接口
• RAG 生成溯源

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包括 LLaMA、Mistral、Qwen、ChatGLM、Deepseek、Gemma、Falcon、BLOOM、GPT-2 等。虽未包含最新高性能 MoE 模型或多模态模型，但基于链上部署的现实约束做出了"实用优先"配置。

Model Factory 作为无代码工具链，所有模型都内置贡献证明机制，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。

3.2 OpenLoRA，微调模型的链上资产化

LoRA 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，大幅降低训练成本和存储需求。

OpenLoRA 是 OpenLedger 构建的专为多模型部署与资源共享设计的轻量级推理框架。它解决当前 AI 模型部署中的高成本、低复用、GPU 资源浪费等问题，推动"可支付 AI"的落地执行。

OpenLoRA 系统架构核心组件包括:

• LoRA Adapter 存储模块
• 模型托管与动态融合层
• 推理引擎
• 请求路由与流式输出模块

OpenLoRA 的推理流程包括基础模型加载、LoRA 动态检索、适配器合并激活、推理执行与流式输出、推理结束与资源释放。

OpenLoRA 通过一系列底层优化手段，显著提升了多模型部署与推理的效率。其核心包括动态 LoRA 适配器加载、张量并行与 Paged Attention、多模型融合、Flash Attention、预编译 CUDA 内核和量化技术等。

OpenLoRA 定位不仅是高效的 LoRA 推理框架，更是将模型推理与 Web3 激励机制深度融合，目标是将 LoRA 模型变成可调用、可组合、可分润的 Web3 资产。它实现了:

1. 模型即资产
2. 多 LoRA 动态合并 + 分润归属
3. 支持长尾模型的"多租户共享推理"

OpenLedger 展望 OpenLoRA 未来性能指标显著优于传统全参数模型部署，但这些指标更接近"上限表现"，应被视为"理想上限"而非"稳定日常"。

3.3 Datanets（数据网络），从数据主权到数据智能

Datanets 是 OpenLedger "数据即资产"的基础设施，用于收集和管理特定领域的数据集。每个 Datanet 就像一个结构化的数据仓库，由贡献者上传数据，并通过链上归属机制确保数据可溯源、可信任。

与聚焦数据主权的项目相比，OpenLedger 通过 Datanets、Model Factory、OpenLoRA 三大模块，将数据价值延展至模型训练与链上调用，构建"从数据到智能"的完整闭环。OpenLedger 聚焦"数据如何被训练、调用并获得奖励"，在 Web3 AI 生态中占据数据变现路径的关键位置。

3.4 Proof of Attribution（贡献证明）：重塑利益分配的激励层

Proof of Attribution（PoA）是 OpenLedger 实现数据归属与激励分配的核心机制。其数据归属与激励流程包括:

• 数据提交
• 影响评估
• 训练验证
• 激励分配
• 质量治理

PoA 不仅是激励分发工具，更是面向透明度、来源追踪与多阶段归属的框架。它将数据上传、模型调用、智能体执行过程全程上链记录，实现端到端的可验证价值路径。

RAG Attribution 是 OpenLedger 在 RAG 场景下建立的数据归属与激励机制，确保模型输出的内容可追溯、可验证，贡献者可激励。其流程包括:

1. 用户提问 → 检索数据
2. 数据被调用并生成回答
3. 贡献者获得奖励
4. 生成结果带引用

OpenLedger 的 RAG Attribution 让每次 AI 回答都可追溯至真实数据来源，贡献者按引用频次获得激励，实现"知识有出处、调用可变现"。这一机制提升了模型输出的透明度，也为高质量数据贡献构建了可持续的激励闭环。

四、OpenLedger 项目进展与生态合作

OpenLedger 已上线测试网，数据智能层是首个阶段，旨在构建由社区节点驱动的互联网数据仓库。社区成员可运行边缘设备节点，参与数据采集与处理，根据活跃度和任务完成度获得积分奖励。

测试网激励提供三类收益机制:

• 数据挖矿
• 交易验证
• 任务参与

Epoch 2 测试网重点推出了 Datanets 数据网络机制，仅限白名单用户参与，涵盖数据验证、分类等任务。

OpenLedger 更长远的路线图规划包括:

• Phase 1 · 数据智能层
• Phase 2 ·