FedML 是一个统一、可扩展的机器学习开源库，用于大规模分布式训练、模型服务（部署）和联邦学习，目标是「在任意算力、任意规模上运行 AI 任务」。它由 TensorOpera AI 平台支撑，其 FEDML/TensorOpera Launch 是跨云调度器，可把 AI 任务调度到任意 GPU 云或本地/私有/混合集群上运行。许可为 Apache-2.0，Python，约 4,045 stars。它尤其以联邦学习能力著称（含端侧/手机上训练），同时覆盖训练、部署与跨云编排。
来源：README.md（标题、描述、Compute 层说明）；GitHub 仓库元数据（stars=4045、license=Apache-2.0、language=Python） 查看 GitHub 仓库 →分布式训练、模型服务与联邦学习是 ML 工程的核心需求，而 FedML 把三者统一到一个库、并用跨云调度器把任务调度到最经济的 GPU 资源（云/本地/边缘/手机），免去复杂环境配置。它是联邦学习领域的知名开源库之一，背靠 TensorOpera 的生成式 AI 平台，因而受关注。截至数据采集约 4,045 stars。
来源：README.md（描述、Launch 说明）；GitHub 仓库元数据（stars=4045）TensorOpera Federate 基于知名联邦学习开源库，提供 FLOps 与端侧/手机上训练、跨云 GPU 服务器协同的联邦学习能力。
来源：README.md（Compute 层 → Federate）Train 聚焦大模型/基础模型的分布式训练；Deploy 是高可扩展、低延迟的模型服务平台。
来源：README.md（Compute 层 → Train/Deploy）把 AI 任务匹配到最经济的 GPU 资源、自动开通运行，支持大规模训练、无服务器部署、向量检索，并管理本地/私有/混合云集群。
来源：README.md（scheduler 层 → Launch）Open Source 是统一可扩展的 ML 库，可在去中心化 GPU、多云、边缘与手机上运行训练/部署/联邦学习。
来源：README.md（描述、Compute 层 → Open Source）FedML 开源库是统一的 ML 库，配合 TensorOpera AI 的三层基础设施：MLOps 层（Studio 接入开源基础模型/LLM 并微调部署、Job Store 预置训练/部署/联邦学习任务）、调度层（Launch 跨云调度器，把 AI 任务匹配到最经济的 GPU 资源、自动开通并运行，支持大规模训练、无服务器部署、向量库检索，以及本地/私有/混合云集群管理）、计算层（Deploy 模型服务平台、Train 大模型分布式训练、Federate 联邦学习平台含端侧/手机训练与 FLOps、Open Source 统一 ML 库）。它能在去中心化 GPU、多云、边缘服务器和智能手机上运行训练/部署/联邦学习。
来源：README.md（MLOps/scheduler/Compute 三层说明、描述）中心为项目本体，内环 = 核心功能模块，外环 = 关键技术依赖；按 deep.json 中的 core_features 与 tech_stack.key_deps 自动生成
深度学习框架（PyTorch 等）GPU 云/本地集群TensorOpera AI 平台（MLOps/调度/计算）适合做分布式/大模型训练、模型服务部署，尤其是联邦学习（数据不出本地/端侧的协同训练，如手机上训练）的研究者与团队；以及需要把 AI 任务跨多云/本地经济地调度运行、做 MLOps 的场景。它把训练、部署、联邦学习统一在一个库与平台里，适合需要跨算力、隐私保护（联邦）或大规模编排的工作流。
来源：README.md（描述、Compute 层各项）本页未列出具体版本号；FedML 开源库与 TensorOpera AI 平台配套迭代，围绕分布式训练、模型服务、联邦学习（FLOps、端侧训练）与跨云调度（Launch）演进。开源库的活跃更新近期相对放缓，能力迭代更多体现在平台侧。
来源：README.md（三层说明）；GitHub 仓库元数据（pushed_at 2025-10）FedML 是把分布式训练、模型服务与联邦学习统一到一个库的成熟开源项目，联邦学习（含端侧/手机训练、FLOps）是其招牌，并用跨云调度器把任务经济地跑在多云/本地/边缘上，背靠 TensorOpera AI 平台。对做联邦学习、跨算力训练/部署或 MLOps 的团队很有价值。要权衡的是完整能力与商业平台耦合、联邦/分布式工程的复杂度、以及开源库近期更新放缓。作为统一可扩展的 ML 库（尤其联邦学习），它定位清晰、覆盖全面。
来源：综合 README.md 的统一定位、联邦学习能力与平台耦合