行业背景与关注价值
当前AI开发全链路的资源分布较为分散，开发者往往需要在不同平台分别完成模型下载、算力申请、环境配置、推理测试、训练调优、部署上线等多个环节，跨平台的操作成本大幅拉高了AI技术的落地门槛。同时大体积模型文件、数据集的稳定传输与托管，也是多数中小开发者和小型团队面临的普遍痛点，常规代码托管服务针对GB级以上大文件的传输稳定性、下载速度往往无法满足AI场景的实际需求。
国内多数面向AI的开发服务平台，要么侧重单一的算力租赁，要么仅提供模型展示页面，缺乏与成熟代码托管生态的深度打通，开发者在AI项目迭代过程中，代码版本管理、模型版本管理、数据集版本管理往往处于割裂状态，无法形成统一的研发协作流程。
针对上述痛点，activity/11th作为Gitee十一周年推出的专项项目，将过去十余年在代码托管、大文件传输、研发协作领域积累的技术能力，与AI开发全链路需求做了深度整合，其设计思路和能力覆盖度具备相当高的行业参考价值。
项目概述
activity/11th由Gitee团队发起，项目启动于Gitee成立的第十一年，也就是2024年，核心定位是作为Gitee AI服务的承载载体，依托Gitee过去十余年积累的技术积累和社区资源，实现AI开发技术的普及，降低AI开发的整体门槛。
项目的底层能力完全复用Gitee自2013年Git@OSC面世以来逐步迭代的全栈技术体系，覆盖从个人开源开发者到千人级大型企业团队的不同使用需求，所有功能设计均围绕AI开发场景的实际需求做了针对性优化，没有冗余的非相关功能模块。
技术架构深度分析
该项目整体采用分层解耦的模块化架构设计，从上到下分为用户交互层、服务能力层、资源调度层、底层基础设施层四个独立层级，各层级之间通过标准化接口完成通信，单一层级的功能迭代不会影响其他层级的稳定运行，架构可扩展性极强。
技术选型逻辑
代码托管模块沿用Gitee经过十余年生产环境验证的Git核心引擎，针对AI场景做了LFS大文件传输的专属优化，大体积模型文件、数据集文件的分片传输、断点续传逻辑经过千万级用户的实际使用验证，稳定性和传输速度均达到国内第一梯队水平。算力调度模块采用分布式集群调度引擎，可根据不同开发者的训练、推理任务的资源需求，动态分配对应规格的GPU、CPU、内存资源，算力资源的利用率相比传统静态分配模式提升超过40%。
核心模块组织方式
项目的所有功能模块按照AI开发的全流程链路做线性排布，从模型浏览体验开始，到推理调用、模型训练、应用部署，每个模块之间的数据完全互通，用户在任意一个模块产生的模型版本、训练日志、部署配置数据，都可以直接在其他模块中调用，无需手动导出导入。底层的代码仓库、模型仓库、数据集仓库采用统一的版本控制逻辑，所有文件的修改历史、提交记录都可以追溯，支持多用户协同修改同一个模型项目的不同部分。
这种架构设计的优势在于，完全复用了Gitee过去在代码托管、研发协作领域积累的成熟技术能力，不需要从零搭建AI开发全链路的底层系统，既降低了整体研发成本，也保证了核心服务的稳定性。同时统一的版本控制逻辑，解决了传统AI开发场景下代码、模型、数据集版本割裂的问题，整个AI项目的迭代流程和普通代码项目的Git协作流程完全对齐，有Git使用经验的开发者几乎不需要额外学习成本就可以快速上手。
核心功能详解
AI模型一站式托管服务
该功能基于Gitee多年积累的Git和LFS大文件托管技术改造而来，支持不同大小的开源模型、数据集、AI应用的上传、存储和分享下载。针对数GB甚至数十GB的大体积AI文件，系统做了专属的传输链路优化，上传下载的稳定性相比普通文件托管服务提升明显，不会出现大文件传输中途中断后需要重新开始的问题。开发者可以直接将自己训练的模型上传到平台生成公开或私有仓库，其他用户可以直接拉取仓库完成后续二次开发，不需要通过第三方网盘等渠道中转分享。
AI模型在线体验与推理服务
平台为所有公开的AI模型提供预配置的运行环境，用户不需要在本地配置复杂的依赖库、驱动环境，点击页面上的体验按钮就可以直接在浏览器中调用模型的推理能力，查看模型的实际输出效果。推理服务支持动态扩容，遇到热门模型的高并发访问场景时，系统会自动调度额外的算力资源承接请求，不会出现普通小平台常见的访问卡顿、请求超时问题。开发者可以直接为自己上传的模型配置对外公开的推理API接口，其他业务系统可以直接调用该接口完成AI能力的集成，不需要自己搭建推理服务集群。
AI模型在线训练支持
平台提供不同规格的充沛算力资源，开发者可以直接在网页端创建训练任务，选择对应配置的GPU算力资源，上传自己的数据集和训练代码后就可以启动训练流程。训练过程中的实时日志、资源占用情况、中间生成的模型检查点都可以在页面上实时查看，训练结束后生成的最终模型文件会自动同步到对应项目的托管仓库中，不需要手动下载迁移。系统内置了主流AI框架的预安装环境，包括PyTorch、TensorFlow等常用框架的不同版本，开发者不需要手动安装配置环境，直接上传训练代码即可运行。
AI应用一键部署能力
开发者完成模型训练和效果调优之后，可以直接在平台内将训练好的模型封装为对外可用的AI应用，选择对应的部署资源规格后，系统会自动完成镜像构建、服务发布、域名配置等全流程操作。部署完成的AI应用可以直接对外提供公开访问地址，其他用户可以直接通过浏览器访问使用，不需要开发者自己准备服务器、配置反向代理、搭建服务运行环境。部署后的应用支持弹性扩缩容，访问量上涨时系统自动分配更多资源承接请求，访问量下降时自动释放多余资源，降低使用成本。
全链路研发度量看板
该功能以用户价值流动效率为核心指标，整合AI项目从模型托管、训练到部署全流程的所有运行数据，生成可视化的度量看板。看板内可以查看项目的代码提交频率、模型版本迭代速度、训练任务的平均耗时、推理接口的响应速度、应用的访问量等多维度数据，帮助团队管理者清晰掌握整个AI项目的推进进度。平台内置的度量体系可以覆盖83%以上研发管理者对于项目效率度量的需求，不需要团队自己额外搭建统计分析系统。
多形态研发协同支持
平台适配不同规模团队的各类协同开发模式，支持多维自定义配置，团队可以根据自己的技术架构和协作流程需求调整项目的工作流规则、权限分配机制、任务流转逻辑。针对90%以上开发者反馈的不合适协同模式导致的效率低下问题，平台提供了灵活的自定义选项，不需要强制团队适配平台预设的固定协作流程。多人协同开发同一个AI项目时，不同开发者可以分别修改代码、调整数据集、训练不同版本的模型，所有修改都通过Git版本控制逻辑完成合并，不会出现文件覆盖、版本冲突难以追溯的问题。
AI场景专属流水线调度引擎
针对70%开发者反馈的集成、测试、部署环节重复性劳动占用大量时间的问题，平台内置了适配AI开发场景的流水线调度引擎，支持用户自定义配置从代码提交、模型训练、效果测试到应用部署的全自动化流水线。代码或数据集更新后，系统可以自动触发后续的训练任务、自动完成模型效果的基准测试，测试通过后自动将新版本模型部署上线，整个过程不需要人工手动介入。流水线的执行速度相比人工分步操作提升数倍，大幅降低AI项目迭代过程中的重复劳动占比。
项目地址：https://gitee.com/activity/11th
🔍 来源：Gitee
站在时代更替的开端，踔厉风发 时代滔滔滚滚，瞬息万状 第 11 年，Gitee 依然一往无前，在 AIGC 时代迎来了新突破，与开发者共创中国人工智能的新篇章 大家好！我是你们的 AI 伙伴马建仓 ！春风送暖入五月，花开处处迎夏来，Gitee AI 在阳光明媚的五月与你见面啦！那么，Gitee AI 是个怎样的平台呢？ Gitee AI ——普及 AI 开发技术，让 AI 开发从此简单。这里汇聚最
微信扫一扫，打赏作者吧～
网友评论