10月16日，范式智能联合睿思智联发布并开源了一站式生产级 AI 部署平台"模域 ModelSphere"，源码已在 GitHub 开放。它的目标很明确：把国产算力"用好"——统一调度昇腾、天数智芯、摩尔线程、海光 DCU 等多款国产芯片，适配 DeepSeek-V4、Qwen、Kimi、MiniMax、GLM 等主流模型。

国产算力的一个隐藏痛点

过去几年，国产 AI 芯片进展很快，但行业里有句话叫"芯片好用、工具难用"。意思是：单颗芯片的算力指标上来了，但要把模型真正部署上去跑起来，中间还有一大堆工程活——算子适配、调度编排、多卡多机协同、不同芯片间的兼容……这些"中间层"工具长期依赖国外方案，成了实际落地的卡脖子环节。

换句话说，国产算力的瓶颈，很多时候不在硬件，而在"怎么把硬件用顺"的软件生态。

ModelSphere 想解决什么

ModelSphere 定位为"生产级部署平台"，几个关键点：

  • 多芯片统一调度：一套平台管住昇腾、天数智芯、摩尔线程、海光 DCU 等不同架构的国产卡，开发者不用为每种芯片单独写适配。
  • 多模型适配：已经适配 DeepSeek-V4、Qwen、Kimi、MiniMax、GLM 等主流模型，降低部署门槛。
  • 开源：源码开放，社区可以补算子、补场景适配。
  • 吞吐提升：官方称吞吐极限较传统方案提升约 285%——这是部署平台最被看重的指标，直接决定单位算力的产出。

吞吐提升 285% 这个数字来自官方口径，实际效果要在真实生产环境里检验。但方向是对的：部署平台的竞争力，最终就体现在"同样一堆卡，你能榨出多少有效算力"。

为什么"部署工具"成了新战场

当模型本身开源、芯片也有国产选项之后，竞争焦点自然上移到"中间层"：

  • 模型开源之后，谁能最快、最稳地把模型跑在用户的硬件上，谁就掌握入口；
  • 国产芯片百花齐放之后，谁能把它们"一把抓"进统一平台，谁就降低整个生态的碎片化成本。

ModelSphere 的开源策略，本质上是在抢这个"中间层话语权"。开源能借助社区快速补齐算子库和场景适配——这是闭源方案很难做到的迭代速度。

对产业的意义

对用国产算力的企业（尤其是受供应链约束、需要自主可控的机构）来说，这类平台的价值在于：不用被绑死在某一家的芯片和工具链上，可以在统一接口下灵活调度不同国产卡，降低迁移和运维成本。

对开发者来说，开源意味着可以审计、可以修改、可以贡献，而不是黑盒调用。

需要冷静看待的是：国产算力生态的最大挑战从来不是"有没有一个平台"，而是"平台上的算子全不全、稳不稳、生态伙伴多不多"。ModelSphere 迈出了开源这一步，但规模化落地效果，要看真实生产环境里的表现和社区活跃度。

无论如何，在"模型开源、芯片自主"之后，"部署工具开源"是国产 AI 生态补齐短板的必然一步。谁把国产芯片真正用顺了，谁就握住了算力生态的主动权。