7 月 9 日，Ollama 宣布完成 6500 万美元 B 轮融资，由 Theory Ventures 领投，Benchmark、8VC、Y Combinator 等跟投。加上此前的 A 轮，累计融资 8800 万美元。这家仅 14 人的公司同时披露：月活开发者已达 890 万，每周新增近百万安装，进入了 85% 的 Fortune 500。
Ollama 的创始人 Jeff Morgan 和 Michael Chiang 曾参与简化 Docker 容器的使用。如今，他们把类似的产品思路用于 AI 模型：降低安装和运行门槛，再围绕开发者需求扩展服务。
创始人曾开发 Docker 工具，如今让开放模型更容易运行
Morgan 和 Chiang 在大学相识，第一个创业项目叫 Kitematic，让 Docker 变得「傻瓜式」易用。2015 年 Kitematic 被 Docker 收购，两人的工作演变成了 Docker Desktop，2016 年上线，如今被超过一千万开发者日常使用。
十年后，他们带着 Ollama 回来了。产品思路类似：让开发者用一行命令完成原本繁琐的安装和运行步骤。
「开放模型从 2023 年开始涌现，但它们真的很难用，」Morgan 对 TechCrunch 说。当时许多模型的使用流程更适合研究者，普通开发者上手并不容易。Ollama 将步骤简化为下载、安装、ollama run。选择适合本机硬件的模型后，用户无需 API key、申请权限或购买昂贵服务器，就能在自己的机器上处理数据。
简化使用的同时，Ollama 的用户规模也在增长。Ollama 在 GitHub 上有 17.6 万颗星和近 1.7 万次 fork。今年 1 月的月活开发者数量约为目前的一半。Morgan 对 TechCrunch 表示，转折点大约在今年 1 月——开放模型突然能做 agentic 任务了，比如编程。「我们看到了 OpenClaw 这样的 AI 编程助手的爆发，以及开放模型真的能完成实际工作的认知转变。」
付费云服务扩张，社区担心免费工具获得的支持减少
Ollama 桌面端完全免费。商业模式来自云服务：当本地硬件跑不动大模型时，用户可以用 Ollama Cloud 在云端运行。当时的计费依据是 GPU 时间，而非 token 数量。云端托管了 GLM、Nemotron、DeepSeek、Kimi、MiniMax 等主流开放模型；公司称，此前云端 token 用量平均每月增长超过一倍。
但这一商业转向也引发了部分社区用户的批评。大约一年前，Hacker News、Reddit 和一些技术博客开始指责 Ollama 正在「enshittification」（烂化）——商业云服务正在吸走免费开源项目的注意力和资源。批评者认为，Ollama 正在从「开放模型的 Docker」变成「又一个卖云服务的公司」。
Morgan 的回应很直接：免费桌面端什么都没变。Benchmark 合伙人 Peter Fenton——Ollama A 轮领投方和董事会成员——对 TechCrunch 补充道：「核心产品的前提没有改变，这里仍然是你可以发现和运行本地模型的地方。」
其他开源推理项目也面临类似问题。当 vLLM 背后的 Inferact 和 SGLang 背后的 RadixArk 都在接受风险投资时，如何兼顾商业服务和开源项目维护，已成为多家公司的共同议题。
开放模型能力提升，投资人看重运行和分发服务
Ollama 的投资人看重的另一个变化，是开放权重模型的使用范围正在扩大。
Benchmark 的 Fenton 对 TechCrunch 给出了一个大胆的判断：「开放权重模型将在未来 18 到 24 个月内生成绝大多数 token。」他小心地补充说，这不是「开放 vs 闭源」的战争——两种模式都有市场——但对任何推理成本高企的企业来说，向开放权重模型迁移是一个「关乎存亡的项目」。
相关报道援引的比较显示，到 2026 年初，开放模型与闭源前沿模型在 MMLU 等知识基准上的差距已很小，在 HumanEval 等编码任务上的差距约为 3 到 5 个百分点；部分企业自托管案例报告的成本节省为 40% 到 60%。这些结果受模型、任务和硬件利用率影响，不能据此确认未来的 token 份额预测。
Theory Ventures 的 Tomasz Tunguz 看重的则是分发机会：Ollama 正在成为开放模型生态的「平台层」——模型实验室负责训练，Ollama 负责运行和分发。投资人认为这一位置具有商业价值。Ollama 已经是 Nvidia、AMD、Intel、Qualcomm 等芯片厂商的分发伙伴，也是多家模型实验室的首发渠道。
下一步扩展本地与云端协作，还需兼顾性能和社区维护
Ollama 官方博客宣布了三个方向：让本地与云端推理更顺畅地配合、新模型首发支持，以及云服务向所有团队开放。Morgan 写道：「Ollama 站在开放模型生态的最前沿，我们打算尽全力推它向前。」
但 Ollama 面临的不只是技术挑战。14 人的团队要同时维护一个拥有大量用户的开源 AI 工具和一个快速增长的企业云服务，运维压力巨大。社区中已有开发者指出，Ollama 在某些场景下的推理速度比直接使用 llama.cpp 慢 30% 到 70%——这类性能反馈需要结合模型、硬件和推理设置逐项排查。
社区更关心的是后续维护优先级。本地运行让用户自行控制模型和数据，云服务则把请求交由服务商处理。Fenton 和 Morgan 强调免费桌面端未变，但仍需通过产品维护和资源分配回应用户：付费业务扩张后，免费工具能获得多少支持？
这是 Docker 当年也经历过的问题。Docker Desktop 在 2021 年对大企业用户引入付费订阅时引发过类似风波。差别在于：Docker 花了近十年才走到那一步，而 Ollama 在三年左右就开始同时经营免费工具和商业云服务。
890 万月活开发者显示，运行开放模型的工具已经拥有可观用户基础。Ollama 接下来需要把使用规模转化为稳定业务，同时维持本地工具的易用性、性能和社区支持。融资为这些工作提供了资源，能否兼顾仍要看后续产品。
