最近刷GitHub趋势榜和Hacker News，有个感受越来越强烈：LLM这波浪潮已经从"谁能训出最大的模型"变成了"谁能把模型用得更顺手"。赛道在变宽，玩家在变多，工具链也成熟得很快。今天这篇文章，我把最近看到的几个有意思的项目和讨论串起来聊聊，看看当前LLM到底走到了哪一步。
本地跑模型不再是梦：Ollama与Transformers双雄并立
先说两个GitHub上的现象级项目。Ollama目前星标数已经冲到17.8万，Go语言写的，核心就干一件事——让你在本地机器上把大模型跑起来。支持的范围相当广，Kimi-K2.6、GLM-5.2、MiniMax、DeepSeek、gpt-oss、Qwen、Gemma，基本你叫得出名字的开源模型它都能跑。说白了就是降低了使用门槛，一行命令拉下来就能对话。
另一个是HuggingFace的Transformers库，16.4万星标，Python写的。这个大家更熟悉，是NLP领域的"基础设施"级别项目。它不只是推理框架，还覆盖了训练、微调整个流程，支持文本、视觉、音频和多模态模型。PyTorch底下的开发者几乎绕不开它。
这两个项目放一起看挺有意思。Ollama面向的是"我就想用"的那批人，安装简单、命令行操作、开箱即用。Transformers面向的是"我想改"的那批人，要懂模型结构、要会写训练脚本。一个走的是产品路线，一个走的是工程路线。我认为这种分化是好事，说明LLM的用户群体在扩大，不同层次的需求都有人服务。
当17万人给一个本地部署工具点star的时候，说明"云端API一统天下"这个判断至少在短期内是不成立的。
只读1913年前的书？这个AI模型有点意思
Hacker News上最近有个帖子火了，得分897，评论421条。讲的是一个叫"History LLMs"的项目——只用1913年之前的文本训练的大语言模型。
第一反应是：这有什么用？但仔细想想，这个思路其实很聪明。1913年是个有意思的时间节点，差不多是第一次世界大战前夕，版权基本全部过期，公共领域的文本海量。更重要的是，那个时代的语言风格、用词习惯、思维方式跟现在完全不同。一个只读过维多利亚时代文学和早期科学论文的模型，输出会是什么味道？
评论区讨论得很热烈。有人觉得这是学术研究的利器——历史学者可以用它来分析特定时期的语言模式，或者辅助翻译古籍。有人觉得这是创意写作的工具——写历史小说的人可以拿它生成符合时代语境的文本。也有人提出质疑：只吃老文本，模型能理解现代概念吗？比如你问它"互联网"，它能给出什么回答？
不过话说回来，这类垂直领域的时间限定模型会越来越多。通用大模型卷到一定程度后，差异化竞争的出路就是"专"。有人做法律专供，有人做医疗专供，现在有人做历史专供。逻辑上完全成立。
模型太多选不过来？Countless.dev帮你一目了然
还是Hacker News上的项目，得分361。一个叫Countless.dev的网站，功能简单粗暴：把市面上所有AI模型放在一起对比。不只是LLM，还包括TTS（文字转语音）和STT（语音转文字）模型。
这个需求其实早就该有人做了。现在市面上公开的模型少说几百个，每个都有自己的参数表——上下文窗口长度、推理速度、价格、支持的语言、许可证类型。开发者选模型的时候，经常要在五六个网页之间来回切换，对比体验很差。
- 模型性能对比：参数量、基准测试分数一目了然
- 成本透明：API调用价格横向比较，省钱必备
- 多模态覆盖：不只是文本，语音方向也纳入比较范围
- 实时更新：新模型发布后快速收录
实际上，模型对比工具的兴起本身就说明了一件事：LLM市场已经从"有没有"阶段进入了"选哪个"阶段。这是市场成熟的标志。当选择本身变成一个问题的时候，说明供给端已经足够丰富了。
当LLM遇上量子物理：科研辅助的想象空间
聊完工具和模型，说两个arXiv上的论文，看起来跟LLM没什么直接关系，但我觉得值得放在一起思考。
第一篇讲的是扭曲双层石墨烯在莫特转变附近的重费米子和超导现象。研究团队发现，在整数填充下，TBG的费米速度和准粒子残留会消失，可以用一个涌现的重费米子框架来描述。第二篇讲的是用纠缠见证来探测杂质量子临界性，跟量子点耦合和磁性杂质有关。
这两篇都是硬核凝聚态物理的研究，普通人看不懂很正常。但我想说的是，这类论文恰恰是LLM在科研领域最有潜力发挥作用的地方。现在的通用大模型读这类论文，能做摘要、能提取关键结论、能帮研究者快速筛选文献。Ollama本地跑一个开源模型，配合Transformers做领域微调，完全可能训练出一个懂凝聚态物理的助手。History LLMs的思路也可以借鉴——只用物理领域的论文训练，做一个"Physics LLM"。
当然，目前还没有人这么干，或者说干了但效果一般。科研文本的专业密度太高，通用模型容易"幻觉"，这是最大的障碍。但方向是对的。
把上面这些信息拼在一起，当前LLM的整体图景其实挺清晰的：底层有Transformers这样的框架支撑模型开发和训练，中间层有Ollama这样的工具降低部署门槛，应用层有History LLMs这样的垂直尝试和Countless.dev这样的选型工具。从研究到工程到产品，链条已经基本打通了。
接下来值得关注的不是又出了一个多大的模型，而是这些工具和垂直应用能不能真正跑通商业化。模型对比网站能不能赚钱？历史专供模型有没有人为它付费？本地部署工具的变现路径到底怎么走？这些问题的答案，可能比"GPT又更新了"更值得我们花时间琢磨。