從 2022 年起，“AI 一天，人間一年”就成了行業內的普遍共識。

AI 技術迭代速度之快，讓從業者既興奮又焦慮。一方面，大模型能力正不斷進化，瘋狂刷新人們的認知邊界。從最初的文本生成到多模態交互，從對話式 AI 到具身智能，無一不令人興奮。另一方面，回看這些年涌現的 AI 項目，一個個迅速地崛起、消亡，其中甚至不乏 AI 獨角獸項目跌落神壇，真正能夠屹立在山巔的佼佼者寥寥無幾。

也正因如此，螞蟻開源最新發布的《2025 ?模型開源開發?態全景與趨勢》報告才顯得格外有意義。這份報告既涵蓋了智能體應?層和模型基礎設施層，?共 19 個技術領域的 135 個項?，又對大模型開發生態的七個趨勢做了深度解讀。

與其說這是一份關乎大模型開發生態的報告，不如說是給所有 AI 從業者的生存指南——在競爭白熱化的大模型開發“生死局”中，誰能提前洞察趨勢，誰就能搶占先機。

華東師范大學教授、木蘭開源社區 TOC 王偉在看過報告后甚至感慨道：當我看到這份報告的時候，大為震撼。在 AI 大模型飛速演進的今天，個體與組織常因缺乏系統性視角陷入“落后陷阱”。螞蟻開源技術增長團隊以開發者社區數據為鏡，精準捕捉生態動態：從新興趨勢到戰略投資機會，將代碼行為轉化為可量化的技術羅盤。這種全景式數據報告不僅揭示了生態位的博弈邏輯，更為企業架構升級提供了清晰的路徑。正如《合作的進化》所示：高頻互動催生深度協作，而 AI 生態真正的贏家，是那些以協作定義規則、持續構建生態位的長期價值創造者。

螞蟻開源發布

大模型開源開發生態全景圖

5 月 27 日，螞蟻開源在第?屆技術?上，重磅發布了《2025 ?模型開源開發?態全景與趨勢》報告（以下簡稱“報告”），其中，生態全景圖收錄了包括智能體應?層和模型基礎設施層的 135 個項目。

地址：https://antoss-landscape.my.canva.site

在生態全景圖中，應用層位于最上方，展示了基于開源大模型所開發的各類應用以及相關工具。主要包括能處理復雜任務的通用助手，如 OpenManus、OWL 等；能輔助開發的編碼助手，如 OpenHands、aider 等；能幫助開發者構建 Agent 的開發框架，如 Dify、n8n 等；能為用戶提供與大模型交互界面的客戶端界面，如 Open WebUI、SillyTavern 等；幫助開發者對應用進行開發和部署的工具，如 ComfyUI、Vercel 等；以及用于管理和優化大語言模型的 API 調用，如 LiteLLM、Model Context Protocol 等。

位于生態全景圖下方的基礎設施層，涵蓋了數據轉換、模型訓練、開發、部署以及數據治理等多個方面的項目。包括數據標注、數據整合、數據治理層面，如 Label Studio、Airflow 等；在服務與訓練層，包括提供大模型服務部署的 Ollam、深度學習框架 PyTorch、TensorFlow 等；以及 Ray、Spark 等分布式處理框架；CUTLASS、FlashAttention 等硬件加速庫。

可以說，當下 AI 領域叫得出名號的項目，都在這份生態全景圖里。

為了繪制這份全景圖，螞蟻開源團隊先將時下 AI 領域中的熱門項目，如 PyTorch、LangChain、vLLM 等作為種子節點，通過分析開發者在 GitHub 上不同項目之間產生的協作關聯關系，不斷探查生態的多個側面。在得到初始的項目列表后，團隊與相關領域的開發者們深入探討，手動維護項目所屬的技術領域標簽，并不斷對列表進行收斂和更新。

此外，螞蟻開源團隊還引入了華東師范大學 X-lab 實驗室的 OpenRank 影響力評價指標，并以該指標在 2025 年的月均值大于 10 作為項目入選全景圖的重要依據。最終呈現出了這張內容極其豐富的生態全景圖。

大模型開發生態是一場真實世界的黑客松

這張?態全景圖不僅是從業者可以拿來參考的技術地圖，更揭開了行業真相：當下的大模型開發生態，是一場真實世界的黑客松。

在這場黑客松中，一切都按下了加速鍵——開發者們借助 AI 的強大力量，以“超級個體”的姿態，在熱點事件的風口浪尖上迅速構建開源項目。我們得以看到一波又一波的 AI 開源項目，迅速地崛起。但在硬幣的另一面，同樣有無數項目迅速走向消亡，其中甚至不乏 AI 明星項目。這種快速構建、快速消亡，極度注重開發速度的迭代模式，與“幾十個小時完成一款軟件”的黑客馬拉松如出一轍。

在觀察生態全景圖中的開源項?時，螞蟻開源團隊有一些有趣的發現，比如前文提到的無數項目走向消亡，這些曇花一現的項目被收錄進 Dang AI 打造的“AI 墓園”中。在 Dang AI 收錄的 5079 個 AI 應用工具中，有 1232 個已經停止維護。

在開源生態中，同樣不乏曇花一現的項目。

比如曾獲得過 3.1w 個 Star 的 AI 聊天應用 Chatbot UI，從 2023 年 3 月創建，到 2024 年 8 月消亡，也不過一年半的光景。還有曾獲得過 2.1w 個 Star、堪稱是最早對 AGI 進行想象的項目之一的 BabyAGI，即便早在 2023 年 4 月就前瞻性提出了“自我進化 Agent”的設想，最終還是在一年半后消失在茫茫數字世界中。甚至連 OpenAI，也有項目出現在這份“死亡名單”中——提出了“群體智能”的概念 Swarm，曾在發布時獲得了極高的關注度，但最終被產業可落地的 OpenAI Agents SDK 所替代，逐漸淡出公眾視野。

從某種程度上來說，AI“墓園”的存在，既反映了大模型開發生態的殘酷性，也見證了從業者們無畏探索的勇氣。比如 BabyAGI、Swarm 在發布時就聲稱是 “實驗性”、“探索性” 的嘗試，但也正是這些項目所提出的先鋒概念、激發的討論和創新性嘗試，為后續的項目發展提供了靈感和方向，進而促使更多開發者投身到 AI 創新的浪潮中，讓大模型開發生態充滿無限可能，并從概念驗證向工程落地不斷演進。

在這場黑客松中，無數個 AI 項目來來走走，推動大模型開發生態不斷走向成熟。與此同時，隨著基礎模型能力不斷提升，整個開發生態也在發生巨變。

報告指出，模型能力正對應用場景帶來沖擊與重塑：一方面，AI Search 開源項目正逐漸式微；另一方面，AI Coding 開源項目正勢頭火熱。這種此消彼長的態勢，也反映出了 AI 領域技術發展與市場需求之間的動態變化。

作為最早落地的應用場景，AI 搜索曾被視為 AI 時代的“超級應用”，但隨著大模型能力的泛化，那些專注于 AI 搜索的項目優勢不再明顯，甚至在處理一些復雜任務時，遠沒有能進行推理和歸納的大模型游刃有余。更重要的是，用戶其實并不在意打開的是搜索頁還是對話框，可以聯網的模型完全可以滿足用戶“先問 AI”的需求。

與之形成鮮明對比的是，AI Coding 開源項目正呈現出火熱的態勢，甚至在今年一度刮起了“氛圍編程”（Vibe Coding）熱潮。一直以來，編程都稱得上是 AI 賽道的熱門場景，從最早的低代碼、無代碼，到后期的輔助編程，甚至是 AI 自主編程，AI 的編程能力愈演愈強，也讓這一賽道持續火熱。報告中提到，現階段，除了商業化產品 Cursor、Windsurf 等驗證了市場熱情外，以 Continue、Cline 為代表的 IDE 插件形態的項目們也是主流的開源選擇。

AI Search 和 AI Coding 開源項目呈現出的不同發展態勢，也在警醒從業者低頭做事的同時，更要抬頭看路。就像當年殺死傳統膠卷相機廠商柯達的，不是同行富士、佳能，而是數碼技術。從業者如果沒能及時關注技術變革，難以吃到技術帶來的紅利，甚至會面臨被市場淘汰的命運。

三大主導技術領域，發生了哪些變化？

除了上述趨勢性的變化，報告也結合生態全景圖中的項目排名分布，對比 2024 和 2025 年 OpenRank 的同比絕對值變化，總結出三大主導的技術領域，模型訓練框架、高效推理引擎和低代碼應用開發框架發生的變化：

• 在訓練上：PyTorch 是當之無愧的生態頂流，在全景圖中的所有項目中影響力位列第一。而國產的深度學習平臺百度飛槳，對比去年同期 OpenRank 降低了 41%，絕對值降低 150；

• 在推理上： 高效推理引擎vLLM和SGlang在過去一年都處于飛速迭代之中，分別位于 OpenRank 同比增長的第一和第三位，他們以優越的 GPU 推理性能優勢在企業級 LLM 部署中廣受擁躉；

• 在應用側：結合低代碼工具鏈和RAG知識檢索管理技術的Dify和RAGFlow，由于契合企業快速構建 AI 應用的需求，正在迎接屬于他們的高速增長，而這兩個應用開發平臺都是從中國開發者社區中生長出來的強勢項目。

具體來看，在訓練層面，隨著深度學習浪潮的興起，PyTorch 早已形成了龐大的生態系統，成為多數模型的首選訓練工具。同時，模型訓練框架也在從單一硬件向混合異構計算進化，訓練效率得以進一步提升，并降低了對單一硬件資源的依賴，模型訓練更加靈活、高效。

在推理層面，高效推理引擎 vLLM 和 SGlang 的飛速發展，也反映出了市場對于高性能推理解決方案的迫切需求。在 AI 技術從概念走向產業落地的關鍵期，效率和成本成了企業關注的重點。通過優化算法和架構，推理引擎能充分發揮 GPU 的并行計算能力，提高模型推理的速度和資源利用率。

而在應用層面，過去開發 AI 應用往往需要組建一支專門的技術團隊，隨著 Dify 這類低代碼工具鏈和 RAGFlow 這類 RAG 知識檢索管理技術的興起，AI 應用開發門檻大幅降低，企業得以高效構建 AI 應用，并迅速投入市場進行驗證。

三大技術領域的變化，不僅反映了 AI 技術的演進方向，也揭示了市場對高性能、高效率、易用性、低成本的迫切需求。這些變化也并非孤立的技術迭代，而是整個大模型生態技術體系的系統性進化。

2025 年，有哪些大模型

生態技術趨勢值得關注？

這幾年，整個大模型生態技術體系都在重構。在技術之外，應用場景和生態發展也在發生巨變。

應用場景層面，隨著底座模型能力從早期單一的文生文，到文生圖、文生視頻，甚至是 any to any，早已具備了處理復雜場景問題的能力。應用場景也從基礎的內容創作、文本處理，拓展到視頻制作、醫療分析、教學輔導，甚至是與硬件的智能交互。

應用場景的深化，也推動整個大模型生態發展步入快車道。早在 2023 年，AI 就已經超越云原生，成為影響力最大的技術領域。隨著 AI 技術加速在千行百業落地應用，大模型生態發展也進入狂飆期，尤其是開源生態的繁榮，進一步促進了大模型技術的應用創業與商業化進程。基于開源大模型衍生出的各類版本，已經被廣泛應用在各個領域中。

報告選取了大模型開源開發生態當下熱門的七大趨勢，基于社區數據進行了趨勢分析、行業觀察，做出以下七大趨勢論斷：

2025 年被行業視為“Agent 元年”，但 Agent 框架正步入理性發展階段。報告指出，過去兩年，以 LangChain 為代表的“全能型”框架，憑借其開創性的任務編排能力和豐富的工具集成，一度主導市場。但從 2024 年下半年開始，Agent 框架熱潮逐漸褪去；進入 2025 年，格局甚至呈現出分化的趨勢：Dify、RAGFlow 等平臺通過低代碼工作流和企業級服務的落地開始主導市場；而以 LangChain 和 LlamaIndex 為代表的開發框架日漸式微。

從行業角度來看，這一變化也反映出，AI 應用開發框架的競爭焦點，已經從單純的技術創新轉向對企業實際業務場景的深度適配。報告指出，AI 應用開發者們并不缺乏新的選擇，易用性、快速構建或許是當下應用開發框架的關鍵標簽。比如，以 LangChain 和 LlamaIndex 為代表的開發框架，在過去飽受學習成本高昂、過度復雜等詬病，而 Dify、RAGFlow 等平臺通過低代碼工作流，大幅降低技術門檻，迅速主導市場。

Agent 框架的市場變化，也是整個 AI 行業發展的必然結果——AI 正從各個維度降低技術門檻，無論是開發部署，還是業務融合，AI 已經從孤立的技術模塊，進化成整個體系流程中的重要節點。從框架到開發工具，AI 掀起的技術普惠浪潮，讓“人人都是程序員”成為可能，這也印證了報告提出的第三大技術趨勢：口嫌體直的 Vibe Coding 新范式。

前文中提到，今年以來，全球范圍內刮起了一股氛圍編程熱潮，其甚至成為當代的軟件開發新范式。在調研了無數火熱的 AI 開發類閉源產品，并觀察了多個流行的開源項目之后，螞蟻開源團隊發現：

大廠在 AI Coding 領域快速下場，但幾乎以閉源為主。大廠的天然優勢是有可以快速迭代的內部落地場景，短板則來自于對內部數據的過度依賴而導致的泛化能力不足，以及復雜的內部流程可能會阻礙創新速度。由此可見，大廠做輔助編程類工具，乃至做 AI 開發工具，有優勢也有掣肘。反而是一些創業公司或三五人的小團隊，能夠快速產出一個該領域的開源項目，迅速出圈。

根據項目的智能化程度以及目標受眾群體的專業化程度，報告將這些 GitHub 上熱門的 AI Coding 類開源項目劃分為四個象限，得出最終結論：AI Coding 正在嘗試從一次性代碼生成走向真實的軟件工程場景下的開發，但依然面臨很大挑戰。

在技術層面，AI 在理解復雜業務邏輯時存在一定短板。在代碼質量、安全性、合規性上，均面臨不小的挑戰。對于一些關鍵業務是否交給 AI，不少企業仍心存顧慮。此外，目前公開的代碼數據集存在質量參差不齊等問題，這也給模型優化帶來挑戰。

報告指出，預計未來 24 個月內，隨著代碼驗證技術（如形式化方法與符號執行的結合）、多模態訓練數據（代碼 + 文檔 + 運行時日志）的成熟，以及開發者反饋閉環的優化，AI 開發助手將會承擔更多常規開發任務，但仍需人類開發者在關鍵決策點進行監督。

而在未來，AI Agent 框架的發展也將呈現“馬太效應”：功能完善、生態健全的平臺將吸引更多企業用戶，而這些用戶的反饋和需求又將進一步推動平臺優化，形成正向循環。此外，未來大模型應用會逐步向微服務化演進，即具有特定功能的 Agent/MCP 將成為互聯網上獨立發布并可被隨時調用的服務，或者是以標準配置的形式發布以方便開發者或用戶隨時本地構建和啟動服務。

據悉，這份報告來自于螞蟻開源技術增長團隊——該團隊是螞蟻的一個技術架構性團隊，其中一大工作目標就是“利用對開源社區的洞察來為螞蟻的架構和技術的演進提供指引”。其實早在去年 10 ?，螞蟻開源技術增長團隊就曾發布過一份《從社區數據看?模型開發?態的全景與趨勢》的報告。最新發布的報告，在前版內容的基礎上更加豐富，無論是身處 AI 領域中的從業者，還是在其他領域深耕、對 AI 感興趣的圍觀者，都具有一定的參考借鑒價值。