商业模式拆解 · EleutherAI
EleutherAI：捐赠撑起的开源模型工厂，拒绝风投的非营利赌局
靠基金会捐赠和机构资助维持运营，产出开源模型与数据集，最大赌注是非营利治理能留住使命与人才。
关键数字
EleutherAI 的收入结构极简单：基金会和机构为“开放研究”付钱，不买产品，买的是可复现的模型、数据集和论文。这笔钱付给一个约二十多人的小团队，覆盖薪酬和算力，2024 财年总收入 2,808,142 美元、总支出 2,574,843 美元，结余很薄。它活下去靠的是资助方对开源 AI 公共品的持续兴趣，以及用学术信誉换来的低成本分发——官网称模型下载量超过七千万次但不直接收费。最大赌注是拒绝营利化：据报道，2025 年 2 月有风投愿为其募资 1 亿美元，条件是放弃 501(c)(3) 身份，被拒绝。这个选择的代价是训练预算远小于企业实验室、人才被三到四倍薪酬挖走。最可能的结局是维持小规模研究机构形态，靠资助滚动，但每一次大模型训练都是一次筹款压力测试。
产品与模型
开源模型换学术引用，不换收入
EleutherAI 的产品线是模型和数据集，不是付费软件。2021 年发布 GPT-Neo 与 GPT-J，2022 年发布 GPT-NeoX-20B；Pythia 系列在相同数据、相同顺序上训练并发布中间检查点，专门服务可解释性研究。2025 年 6 月发布 Common Pile v0.1，约 8TB、仅含公有领域与开放许可内容，并基于此训练了 70 亿参数的 Comma v0.1。这些产品没有标价，下载即用。
依据R2R8数据集当公共基础设施，抬高后来者的合规成本
The Pile 在 2020 年 12 月 31 日发布，约 800GB 以上，成为一批开源模型的训练底座；Common Pile v0.1 则把“只含公有领域与开放许可内容”作为卖点。这不是为了卖数据，而是把数据合规变成一个公共标准：用它的数据集，训练合法性更容易解释。代价是维护和清洗成本落在自己头上，且无法从下游模型收入中分成。
依据R11R12R8收入模式
基金会为“开放研究”买单，不按模型收费
2024 财年总收入 2,808,142 美元，其中捐赠与资助 2,808,103 美元，项目服务收入、版税收入、投资收入（39 美元）等商业性收入近乎为零。付钱的是 Good Ventures Foundation（2024 年 6 月资助 880,758 美元用于机器学习研究）、OpenAI Foundation（2024 年 12 月 250,000 美元超级对齐研究资助）、Omidyar Network（2024 年 12 月 125,000 美元一般运营支持）。这些钱买的是研究产出和公共品属性，不是按 token 或席位计费。
依据R1单笔资助定项目，机构运转靠拼盘
资助结构是项目制与一般运营支持混合：Good Ventures 的钱指定用于机器学习研究，OpenAI Foundation 的钱指定用于超级对齐，Omidyar 的钱是一般运营支持。据 R1 记录，2026 年 2 月有一笔 Mozilla Foundation 25,000 美元资助（该记录置信度中等）。这意味着收入没有复购合同，每年都要重新筹款；单一资助方撤出就会留下缺口。它没有定价权，只有申请权。
依据R1客户与市场
用模型的研究者和用论文的资助方，是两拨客户
直接使用者是下载模型的研究者和开发者——官网称模型累计下载量超过 7,000 万次，据 R10 统计 Hugging Face 空间共用量前 100 模型中 EleutherAI 占 15 个、居首。但他们不付钱。真正付钱的是基金会和机构，他们购买的是“开放研究”的公共品属性和自身使命的延伸。两拨客户的需求并不完全重合：研究者要的是检查点和可复现性，资助方要的是对齐、可解释性等议题的进展。EleutherAI 用论文和模型同时满足两边，但收入只来自后者。
依据R4R10获客与渠道
Hugging Face 和论文会议是免费渠道，下载量不等于收入
模型通过 Hugging Face 分发，数据集和论文通过学术会议传播——官网称研究成果发表于 NeurIPS、ICML、ICLR、Nature 等，累计逾 130 篇。GPT-NeoX 库还被用于美国能源部橡树岭 OLCF-6 基准套件中的 FORGE 应用，这是机构渠道的背书。渠道本身不收费，但每一次下载和引用都在为下一轮筹款提供证据。问题是渠道不产生现金，只产生声誉，而声誉需要持续的新模型来维持。
依据R2R4成本结构
钱主要花在人身上，训练算力靠外部支持
2024 财年总支出 2,574,843 美元，总资产 844,964 美元。据 990 表披露，执行主任 Stella Biderman 薪酬 200,000 美元，可解释性负责人 Nora Belrose 155,286 美元，HPC 负责人 Quentin Anthony 125,000 美元（具体对应财年未在账本中明确，为 990 表披露口径）。人员是最大单项，训练算力则部分依赖 Google TRC 等机构支持。这意味着它的成本结构不是“买卡训练”，而是“养人写论文和管项目”，算力以实物或折扣形式进入，不直接体现在现金支出里。
依据R1R4融资与资本
靠资助滚动，拒绝附带治理条件的大额募资
资金方包括 Open Philanthropy、Omidyar Network、Hugging Face、StabilityAI、Google TRC、Mozilla。据报道，2025 年 2 月有风投愿为其募资 1 亿美元，条件是放弃 501(c)(3) 身份，被拒绝。它选择的是小额、多来源、带项目指定的资助组合，而不是单一金主的大额资金。代价是筹款行政成本高、训练预算受限；好处是治理不被单一出资方控制。
依据R1R4R14护城河
可复现研究的信誉，不是模型性能
EleutherAI 的护城河不在模型参数或 benchmark 分数，而在“相同数据、相同顺序、发布中间检查点”这类可复现性承诺。Pythia 系列因此被可解释性研究反复引用，The Pile 和 Common Pile 成为数据合规的参照物。这种信誉需要持续公开发布来维持，一旦停止发布新模型或数据集，引用惯性会衰减。它也无法阻止企业实验室用更高薪酬挖人——据 R14 报道，部分员工被 OpenAI、Anthropic、Google 挖走后薪酬涨至三到四倍。
依据R2R4R14风险与不确定性
训练成本与人才薪酬的双重挤压
非营利预算远小于企业投入，训练成本高企；同时人才被高薪挖角，据 R14 报道，部分员工离职后薪酬涨至三到四倍。2024 财年总收入 2,808,142 美元、总支出 2,574,843 美元，结余不足以应对一次大规模训练的超支。它靠外部算力支持缓解现金压力，但算力支持不覆盖人力流失。每发布一个大模型，都是一次筹款和留人的压力测试。
依据R1R14资助方对“下一个 OpenAI”的担忧
风险在于治理与使命延续性受质疑：资助方担忧其像 OpenAI 一样转向营利。2025 年拒绝 1 亿美元募资的报道，一方面强化了非营利承诺，另一方面也暴露了这种担忧的真实存在。如果未来某次筹款失败或核心研究者离职，资助方可能收紧一般运营支持，转向更短期的项目资助，进一步压缩机构自由度。
依据R14关键节点
对AI原生公司创始人的启示
这一节是编辑判断，基于上面的证据推演，不是公司原话。
把可复现性做成研究者的默认基线，但别指望它直接收钱
EleutherAI 在 Pythia 系列上坚持相同数据、相同顺序训练并发布中间检查点，让这套模型成为可解释性研究反复引用的基线；The Pile 和 Common Pile 则把数据合规变成公共参照物。小团队资源更少，可以选一个极窄的评测或复现场景，把版本、数据、检查点全部公开，让后来者引用你而不是重造。
但这条路径只换声誉和下一轮合作，不产生现金——EleutherAI 的模型下载量超过七千万次却不直接收费，收入全部来自资助方。小团队借这个做法时，必须同时有一个能收钱的交付物，否则公开产出只是在替别人降低合规成本。
用项目制资助养活研究可以，但拼盘式筹款的行政成本小团队扛不住
EleutherAI 的收入是典型的多源小额拼盘：Good Ventures 的 880,758 美元指定用于机器学习研究，OpenAI Foundation 的 250,000 美元指定用于超级对齐，Omidyar Network 的 125,000 美元是一般运营支持，另有 Mozilla 等来源。这种结构没有复购合同，每年都要重新筹款，单一资助方撤出就留下缺口。
小团队没有机构信誉和 990 表披露能力，复制这种筹款方式，行政成本会超过研究时间。更现实的做法是先靠服务收入养活自己，再用公开产出换项目制资助；差的是规模带来的机构身份，不是研究能力。
拒绝附带治理条件的大额资金需要替代现金流，小团队更该谈条款而不是关门
据报道，2025 年 2 月有风投愿为 EleutherAI 募资 1 亿美元，条件是放弃 501(c)(3) 身份，被拒绝。这个选择的底气来自已有的资助网络和 501(c)(3) 治理结构，代价是训练预算远小于企业实验室、人才被三到四倍薪酬挖走——它承受得起，是因为不追求前沿模型竞赛。
小团队若没有同等资助网络，拒绝一笔能覆盖多年成本的投资通常没有替代现金流。可以借的是“治理不被单一出资方控制”这个目标，但手段应换成分阶段接受、用合同条款限制控制权，而不是直接关门。差的是资本厚度和筹款替代方案。
公开资料没有回答的问题
- 2024 财年之后各资助方的续资意愿和实际到账情况，公开资料未披露
- Common Pile v0.1 和 Comma v0.1 的训练算力来源与现金成本，公开资料未披露
- 员工被挖角后的实际流失率和补位情况，公开资料未披露
- 未来是否会接受附带治理条件的营利性资金，公开资料未披露
证据来源
正文里的编号对应下面的来源。数字没有来源的句子在成稿前已被删除；公开资料未披露的直接写明未披露。
- R1The Eleutherai Institutecauseiq.com · 媒体与披露 · 可信度 79
- R2Putting the ability to do research in your hands | EleutherAIeleuther.ai · 一手来源 · 可信度 78
- R3A Catalog EleutherAI's Large Language Modelsorkg.org · 媒体与披露 · 可信度 77
- R4About — EleutherAIeleuther.ai · 一手来源 · 可信度 76
- R5EleutherAI - 维基百科，自由的百科全书zh.wikipedia.org · 媒体与披露 · 可信度 76
- R6EleutherAI on AI, Innovation, and the Open Source Ecosystemschumer.senate.gov · 媒体与披露 · 可信度 75
- R7EleutherAIaiwatch.issarice.com · 三方整理 · 可信度 74
- R8AI research institute EleutherAI releases 'Common Pile v0.1', a massive dataset of about 8TB consisting only of public domain and open license content - AI research institute EleutherAI releases 'Common Pile v0.1', a massive dataset of about 8TB consisting only of public domain an...gigazine.net · 媒体与披露 · 可信度 74
- R9EleutherAIapp.grantmaking.ai · 媒体与披露 · 可信度 74
- R10- \(1500\)ora.ox.ac.uk · 媒体与披露 · 可信度 74
- R11Eleuther AI » Nimdzinimdzi.com · 媒体与披露 · 可信度 73
- R12EleutherAI - Wikipedia bahasa Indonesia, ensiklopedia bebas - EleutherAIid.m.wikipedia.org · 媒体与披露 · 可信度 73
- R13إليوثر آي - ويكيبيدياar.wikipedia.org · 媒体与披露 · 可信度 73
- R14How Philanthropy Built, Lost, and Could Reclaim the A.I. Racephilanthropy.com · 媒体与披露 · 可信度 73
由 EveryTik 调研流水线生成（deepseek-flash），经结构门禁、数字核对与独立审稿；引用 12 个来源、12 个独立域名。发现错误请以公开来源为准，我们会在下一轮调研时修正。