如果手里有一批闲置 GPU，或者身处电价很低的地区，是否能靠 AI 服务获得收入？如果做出了一个在垂直场景表现突出的微调模型，却缺少销售渠道，又该怎么把它推向真正的用户？DGrid 最新上线的 Model Marketplace，试图把这些问题放进同一个市场里解决：让算力、电力和模型都可以被定价、被调用，也被结算。
在过去两年里，AI 模型数量快速增长，从通用大模型到面向垂直行业的微调版本，从代码生成到多模态理解，供给侧已经十分丰富。但模型变多，并不等于模型更容易被使用，也不代表模型开发者和算力提供方更容易赚到钱。对开发者来说，寻找适合具体场景的模型，仍常常意味着在多个平台之间来回切换；对供给方来说，变现问题也没有被真正解决。
DGrid 把新上线的 Model Marketplace 定位在这个供需两端都不满意的中间地带。
不是黑箱式中转，而是开放市场
文中提到，当前多数“AI 模型聚合”平台采用的是中间商模式：平台自行接入渠道、谈定折扣，再打包向用户销售。这类模式的限制在于，平台接入了什么模型、如何定价、供给方是谁，用户和开发者往往并不清楚，整体更像一个黑箱。
DGrid 采取的是另一套逻辑。按照其描述，任何模型提供方都可以直接在平台上架模型并自主定价，覆盖原创大模型团队、垂直场景微调机构，以及具备算力基础设施能力的部署方。模型被调用后，收益通过链上直接结算。平台本身不依赖赚取价差，而是作为撮合供需的基础设施存在。
这套设计的重点不只是交易方式变化，更在于扩大了供给方范围。DGrid 希望接入的，不只是模型开发者，还包括此前分散、低效甚至长期闲置的算力和渠道资源。
八类供给方场景被纳入同一市场
DGrid 在文章中列出了 Model Marketplace 面向供给侧的八种主要使用场景，核心思路是把不同类型的资源都转成可以持续获得收入的服务能力。
1. 闲置算力的直接变现
对于拥有 GPU 基础设施但利用率不足的机构或个人，部署模型并通过 DGrid 对外提供服务，是一条直接的变现路径。原本只是成本项的算力，在这一模式下被定义为可持续产生收益的资产。
2. 内部算力向外部溢出
很多企业或团队会自部署模型以满足内部使用需求，但调用量并不足以填满全部算力。DGrid 提供的机制是，在满足内部需求的前提下，把剩余算力和服务能力开放给外部用户，从而把固定成本的一部分转成可变收益。
3. 垂直微调模型获得分发渠道
法律、医疗、金融、代码等特定场景的微调模型，往往在单一任务上的表现优于通用大模型，但缺少触达目标用户的渠道。DGrid 给出的方案是提供标准化的上架和分发路径，让模型团队把重点放在模型本身，分发和计费则交给平台完成。
4. 大模型团队进行轻量化分发
对具备研发能力的大模型团队来说，分发和市场运营并不一定是核心工作，却往往消耗资源。通过 DGrid 上架，团队可以直接接触付费开发者和用户，把精力更多放在模型能力建设，而不是重复建设渠道。
5. 渠道资源方利用价格优势竞争
部分供应商掌握某些模型的渠道资源，或拥有更低的成本结构，可以在 DGrid 上提供比官方更具竞争力的价格。文章认为，这种竞争会带来更低的使用成本，也给供给侧留下差异化空间。
6. 更规范的模型发现机制
对开发者而言，问题不只是模型太多，也在于优质模型容易被噪音淹没。DGrid 统一市场的做法，是提供规范化的模型描述、能力标签和 PoQ 验证信号，帮助优质模型被发现和推荐。
7. 跨地域调用与合规灵活性
部分 AI 模型的可用性会受地域限制影响，有的模型在特定地区无法直接访问，也有用户存在多地区调用需求。文章称，通过 DGrid 的统一入口调用，可以在合规框架内处理跨地域访问问题，扩大模型的实际可用范围。
8. 低价电力转化为算力服务
文中认为，这是最具想象空间的场景之一。在电价较低的地区，例如部分水电资源丰富区域，部署 AI 推理服务并接入 DGrid，相当于把低价电力转成 AI 算力，再通过模型调用服务输出给全球用户。按这一逻辑，电力的跨地区套利获得了一种新的落地形式，全球用户也可能以更低成本使用 AI 服务。
这八个场景覆盖了算力提供方、模型开发者、渠道资源方以及地域套利者，构成了较完整的供给侧图谱。DGrid 对模型市场的判断是，真正有价值的地方，在于把原本分散的资源汇入一个需求明确、付费真实的市场。
开放市场要先解决信任，DGrid 用 PoQ 回应
供给更开放，带来的直接问题就是质量如何验证。任何人都可以上架模型后，用户如何确认调用到的模型与描述一致，成为开放市场最关键的一步。
DGrid 给出的答案是 PoQ（Proof of Quality） 机制。文章特别说明，PoQ 的验证对象并不是用户的每一次调用，而是平台上的模型提供方。其方式是由 DGrid 使用自有基准测试集，对提供方进行独立、随机抽检，并将验证结果上链，供外部查询。整个过程中不会触碰用户请求数据，也不会把用户数据写入链上。
按文中说法，这一设计主要针对开放市场中“以次充好”的问题。提供方知道自己可能随时被抽检，若私下对模型进行降级，面临的不是单纯依赖自律的约束，而是被检测和惩罚的风险。PoQ 因而被视为该市场运行的信任基础。
DGrid 还提到，团队核心成员拥有 Stony Brook University 等院校的博士背景，围绕 PoQ 已发表 4 篇 arXiv 学术论文，方向涵盖 Proof of Quality 核心设计、Optimistic TEE-Rollups、Cost-Aware Proof 和 PoQ-Judge。
文章同时把 DGrid 与 OpenRouter 作了对比。根据文中表述，OpenRouter 等当前市值较高的 AI 聚合平台虽然已有品牌背书，但没有链上验证机制；DGrid 的思路则是把“基于信任”替换为“基于验证”。
需求已被验证，平台现在补供给侧
DGrid 将 Model Marketplace 的上线描述为对一个已有真实需求市场的供给侧补齐，而不是重新创造市场。
需求侧的数据已经在文中给出：DGrid 目前聚合了 Claude、GPT、Gemini、MiniMax、GLM 等 200 多种主流模型，付费用户超过 15,000 名，2026 年上半年累计营收突破 2,300 万美元，而这些进展建立在 $500 万种子轮融资基础上。文章用这组数字说明，用户愿意持续为 AI 服务付费，市场需求已经存在。
不过，现有 200 多种模型中，大多数仍是 DGrid 主动接入的头部商业模型。供给侧的缺口在于，那些具备真实能力的垂直模型、微调模型，以及拥有算力资源却缺少变现渠道的基础设施方，此前没有一套标准化入口进入市场，也缺少明确的分成机制。DGrid 将 Model Marketplace 定义为这一缺口的对应产品。
文章的判断是，DGrid 已经用 2,300 万美元营收证明了需求端付费意愿，现在再通过开放市场扩展供给端，并以 PoQ 保障质量，平台供需闭环的逻辑由此形成。
后续观察点落在供给扩张、质量筛选和用户融合
对于这一模式能否真正跑通，文中列出了几个后续值得关注的方向。
第一是供给规模扩张的速度。开放市场的价值取决于聚集效应：模型越多，对开发者吸引力越强；用户越多，对供给方的回报越高。DGrid 已有超过 15,000 名付费用户和现成调用需求，文章认为这让它的冷启动条件好于从零起步的平台。接下来能够吸引多少高质量垂直模型和算力资源加入，将决定市场飞轮的转速。
第二是质量筛选机制的稳定性。开放程度越高，模型质量差异越大，这是所有开放市场都要面对的问题。DGrid 认为自己的差异点在于，不只依赖人工审核，而是由 PoQ 作为底层筛选器。随着规模扩大，PoQ 是否能持续区分优质模型和劣质模型，将影响市场的长期公信力。
第三是 AI 用户与 Crypto 用户的融合。按照文章说法，DGrid 连接的不只有 Web3 原生用户，也有大量只关心模型是否好用、价格是否合适的传统 AI 开发者。平台采用“链上结算但体验无感”的产品设计，并已把超过 15,000 名付费用户放到同一平台上，文中将其视为一个积极信号。
模型、电力与算力能否在同一市场完成定价
文章最后提到，AI 模型市场格局仍在形成。头部商业模型会继续迭代，但垂直场景、特定用例，以及大量被低估的算力资源，仍有很大空间没有被充分开发。
在这一背景下，DGrid Model Marketplace 的意义，不只在于它是否会立刻成为一个大规模模型交易市场，更在于它提出了一种市场组织方式：闲置算力可以被包装成 AI 服务，低价电力可以转成全球可用的推理能力，微调模型也可以直接面对最需要它的用户。
DGrid 选择用开放市场加链上验证机制来回答这个问题。对于寻找分发渠道的模型团队、持有算力资源却缺少变现路径的基础设施方，以及关注 DeAI 赛道进展的人来说，这次产品发布提供了一个可观察的新样本。