最近翻GitHub热榜和Hacker News，有个感觉特别强烈：大模型这条赛道，早就不光是"谁更聪明"的单线竞争了。有人死磕本地部署，把门槛往地上摁；有人做模型比价工具，帮你挑花眼；还有人更绝，只拿1913年以前的文本训了个"考古AI"。这些方向看着八竿子打不着，但拼在一起，LLM生态分化那点事儿，其实已经画得挺清楚了。
说白了，一个大技术栈成熟到一定程度，分工是必然的。你不可能要求每个人都从零造轮子，也不存在哪个模型能包打天下。生态自己会长出枝干来——搞基础设施的、搞垂直细分的、搞信息中介的，各占一摊。这个阶段的技术社区最有意思，乱七八糟，但最容易冒出好东西。
Ollama和Transformers：本地跑模型的左膀右臂
先说两个GitHub上的老面孔。Ollama现在17.8万Star，Go写的，本地一键跑Kimi-K2.6、GLM-5.2、MiniMax、DeepSeek、Qwen、Gemma这些开源模型，基本是拿来就用。它的核心价值就一句话——把本地部署大模型的门槛打到最低。什么CUDA版本冲突、Python环境折腾，全给你省了。一条命令拉模型，再一条命令开跑。
HuggingFace的Transformers就不用多介绍了吧，16.4万Star，Python写的，几乎是整个开源大模型的地基。文本、视觉、音频、多模态，训练和推理全覆盖。你叫得出名字的开源模型，底层依赖基本都绕不开它。
这两个放一起看挺有意思。Ollama解决的是"怎么用"——让普通开发者甚至非技术用户能在地上跑起大模型。Transformers解决的是"怎么定义"——给模型一套统一、可复用的抽象框架。一个朝终端，一个朝底层，中间夹着的就是整个开源大模型的繁荣层。
我特意瞄了一眼Ollama支持的话题标签，deepseek、gemma、glm、qwen、minimax这些国产和开源模型占了挺多位置。这说明啥？开源模型迭代快得工具方只能屁颠屁颠追。每隔几周蹦出一个新模型，Ollama这种工具的价值就在于——把你桌面上的模型碎渣统一收进一个抽屉里。
History LLMs：只吃1913年前文本的"考古AI"
Hacker News上最近有个帖子炸了——897分，421条评论。标题叫"History LLMs: Models trained exclusively on pre-1913 texts"，翻译过来就是：只用1913年以前的文本训练的大模型。
刚看到这个项目我愣了几秒。1913年？咋这么精准？后来想了想，大概明白了——1913年以前，版权基本过期了。公共领域文本量巨大，古典文学、早期科学论文、哲学著作、历史档案，随便扒拉都有得训。没有版权风险不说，语言风格和知识体系跟现代文本完全是两码事。
这项目的价值在哪儿？我琢磨出三层：
- 第一，训练集干净。没有现代互联网的垃圾信息污染，没有SEO农场的内容农场，没有社交媒体的碎片化表达。模型学到的语言模式，更接近"严肃写作"——这年头，光这一点就够稀罕了。
- 第二，历史研究、古典文学分析、古文本处理这类垂直场景，通用大模型往往表现一般。原因很简单：训练语料里现代内容太多，历史文本被冲淡了。专门训的模型，可能反而更懂"老东西"。
- 第三，它捅了个问题：凭啥大模型就得什么都懂？要是让一个模型只盯着一个时间段的知识，它在那个时间段的表现能不能反超通用模型？这其实是冲"越大越全就越好"的主流叙事打的一记冷拳。
421条评论，讨论方向估计发散得够呛。有人质疑实用性，有人聊训练数据的选择标准，也有人嗅到更深的意味——通用大模型卷上天花板之后，垂直化、时代化、领域化没准才是突破口。
Countless.dev：模型多到选不过来，那就做个比价网站
同样是Hacker News上的热门帖子，Countless.dev拿了361分、76条评论。功能一句话说清：一个对比所有AI模型的网站，覆盖LLM、TTS（文本转语音）、STT（语音转文本）三大类。
为啥火？因为选择实在太多。你随便数数现在能用的LLM：OpenAI的GPT系列、Anthropic的Claude系列、Google的Gemini系列、Meta的Llama系列、Mistral各种版本、DeepSeek、Qwen、GLM、Kimi……再加TTS和STT那堆，普通开发者直接懵圈。
Countless.dev干的事说白了就是信息中介。它不造模型，只帮你做决定。参数量、价格、上下文长度、推理速度、支持语言、API调用方式——这些维度往那儿一摆，哪个模型适合你的场景，一目了然。
这让我想到电商早期比价网站刚冒出来的那阵子。东西一多，就得有人帮你整理。AI模型现在也走到这一步了。说句大白话：一个市场需要比价工具的时候，说明这市场已经挤得不行了。
模型数量爆炸式增长带来的不是选择自由，而是选择焦虑。任何能降低决策成本的工具，在这个阶段都有生存空间。
LLM生态正在走向分化，这是好事
把上面四个项目串起来看，分化那条线其实挺清楚。
基础设施层，Ollama和Transformers各占一摊。一个管部署省不省事，一个管模型定义标不标准。这俩项目Star数加起来超过34万，社区对"底层工具"的需求还是旺得很。只要新模型还在不断往外冒，这类工具的价值就不会缩水。
垂直应用层，History LLMs开了条新道——不追求通用，追求专精。只用1913年前的文本训练，听起来有点极端，但它至少验证了一个假设：特定领域的模型，在特定领域里可以更强。我猜接下来会看到更多类似的尝试，比如只用法务文本训的模型、只用医学文献训的模型、只用代码训的模型。通才和专才，会长期共存——这年头谁还没点分工焦虑呢。
信息中介层，Countless.dev这种工具只会越来越多。模型多了需要导航，参数复杂了需要对比。这条路走下去，搞不好能催生出一批"AI模型推荐引擎"——你丢一句需求，它给你配最合适的模型。
我的判断是：2024年下半年到2025年，LLM生态的分化只会更狠。通用大模型之间的竞争会越来越像军备竞赛，参数越堆越高，上下文越拉越长，但边际收益会越来越薄。真正有活力的创新，反而会发生在边缘——在那些不追"最大最强"、只追"某个场景最顺手"的项目里。
Ollama让本地跑模型变简单，Transformers让定义模型变规范，History LLMs证明了垂直化可行，Countless.dev解决了信息过载。四个项目，四个方向，但指向同一件事：大模型的野蛮生长期快过去了，精耕细作的阶段刚开始。