FedML 是 Apache-2.0 的 Python 机器学习库，覆盖联邦学习、分布式训练和模型服务。官方 README 同时把它作为 TensorOpera AI 云平台的开源计算层，并推广跨云调度、Studio、Job Store 和 GPU marketplace。
来源：github.com/FedML-AI/FedML；https://github.com/FedML-AI/FedML/blob/mast… 查看 GitHub 仓库 → 📘 使用教程 →官方仓库当前约 4100 星，但最后推送时间是 2025-10-28，GitHub 最新正式 Release 仍是 2023-10-28 的 v0.8.9；因此不把它描述为近期快速增长项目，保留价值主要来自联邦学习历史积累和开源代码。
来源：github.com/FedML-AI/FedML；https://github.com/FedML-AI/FedML/releases/…提供跨客户端训练、聚合算法、模拟和边缘设备相关组件。
来源：github.com/FedML-AI/FedML安装包包含 PyTorch 基础依赖和 MPI、DeepSpeed、TensorFlow 等可选 extra。
来源：github.com/FedML-AI/FedML/blob/master/python/setup.py代码包含 FastAPI、Redis、MQTT、Docker、Triton client 等服务与调度依赖。
来源：github.com/FedML-AI/FedML/blob/master/python/setup.pyREADME 引导使用 Studio、Job Store、Launch、Deploy、Train 和 Federate，并强调 GPU marketplace 与跨云自动开通。
来源：github.com/FedML-AI/FedML/blob/master/README.mdFedML 开源包包含训练、联邦、服务和调度组件，可选 MPI、DeepSpeed、TensorFlow、MXNet、FHE 与 LLM extra。官方 README 目前主要从 TensorOpera 三层平台解释项目：上层 MLOps，中间 Launch 调度，底层 Deploy、Train、Federate 和 Open Source。开源库与商业云平台边界需要按具体命令和凭据判断。
来源：github.com/FedML-AI/FedML/blob/master/README.md；https://github.com/Fe…torch>=1.13.1torchvision>=0.14.1docker==6.1.3wandb==0.13.2可选 mpi4py、deepspeed、tensorflow、tenseal适合复现已有 FedML 联邦学习研究、维护存量训练或服务代码。新项目要考虑开源更新停滞、依赖较旧及云平台耦合；医疗或个人数据即使不集中上传，也需处理客户端日志、模型更新泄露、身份与合规。
来源：github.com/FedML-AI/FedML；https://github.com/FedML-AI/FedML/blob/mast…GitHub 最新正式 Release 为 v0.8.9，发布于 2023-10-28；master 分支的 setup.py 已写到 0.8.30，但没有对应的更新 GitHub Release。本文同时列出两种口径，避免把分支元数据冒充正式发行版。
来源：github.com/FedML-AI/FedML/releases/tag/v0.8.9；https://github.com/FedM…status: official_docs_checked_not_run | checked_at: 2026-09-23 | environment: 核对官方 README、master 的 python/setup.py、GitHub Releases 与仓库元数据 | limitations: 未安装 fedml、未登录 TensorOpera、未连接 GPU、未运行模拟、训练、部署或联邦客户端；未据此判断 PyPI 当前解析结果 | observed_output: GitHub 最新正式 Release 是 v0.8.9（2023-10-28）；master setup.py 当前写 version=0.8.30，并列出 Python 3.8-3.10 classifiers 和完整依赖；README 主要推广 TensorOpera 平台
来源：github.com/FedML-AI/FedML/releases/tag/v0.8.9；https://github.com/FedM…Flower 官方框架同样面向联邦学习，提供 ClientApp、ServerApp、本地 Simulation Runtime 和 Deployment Runtime，范围更集中。FedML 还覆盖分布式训练、模型服务和商业云调度。只需要构建和模拟联邦策略时可先比较 Flower；维护 FedML 现有工作流或需要其多场景组件时再选择 FedML。
来源：flower.ai/docs/framework/；https://github.com/flwrlabs/flower；https://…FedML 适合维护已有联邦学习和边缘训练项目，但版本口径、依赖年龄、更新节奏和 TensorOpera 平台耦合都需要先审计。新项目应在小型本地模拟中与 Flower 等仍活跃的框架对照，再决定是否投入。
来源：github.com/FedML-AI/FedML；https://flower.ai/docs/framework/GitHub 最新正式 Release 是 v0.8.9，发布于 2023-10-28；master 分支的 python/setup.py 当前写 0.8.30。两者口径不一致，部署时应以实际锁定的包来源核对。
本地开源代码可以用于模拟和部分工作流，但 README 描述的 Launch、Studio、Job Store 和 GPU marketplace 属于 TensorOpera 平台能力，需要另行评估账号和服务条件。
默认依赖包含 PyTorch、Docker、W&B、ONNX、Redis、FastAPI 等，另有 MPI、DeepSpeed 和 TensorFlow extra，容易与现有机器学习环境发生版本冲突。
不保证。数据可留在客户端，但模型更新、指标、日志和身份信息仍可能泄露信息。生产部署需要安全聚合、访问控制、威胁建模和合规审查。