亞洲地區開源AI實驗室整理
「有組織、有跨機構合作、有自己維護的 OSS／open model，而且願意讓外部團隊進來共同貢獻」，亞洲有幾個比一般大學 AI Lab 值得接觸。
可優先看下面這 8 個。
| 優先 | 國家 | 單位 | 代表 OSS / Open AI | 類似 OOL 程度 | 適合合作方向 |
|---|---|---|---|---|---|
| 1 | 🇸🇬 新加坡 | AI Singapore / SEA-LION | SEA-LION、SEA-HELM、open data/tools | ⭐⭐⭐⭐⭐ | LLM、Evaluation、資料、人才培育 |
| 2 | 🇯🇵 日本 | NII / LLM-jp | LLM-jp 模型、Corpus、Training/Eval tools | ⭐⭐⭐⭐⭐ | LLM systems、訓練、評測、Multimodal |
| 3 | 🇸🇬 新加坡 | AI Verify Foundation | Moonshot、AI Verify | ⭐⭐⭐⭐⭐ | LLM evaluation、Red Team、AI Safety |
| 4 | 🇰🇷 韓國 | NIPA / Open UP | Open Source Contribution Academy | ⭐⭐⭐⭐⭐ | Contributor 人才培育制度 |
| 5 | 🇮🇳 印度 | AI4Bharat / IIT Madras | IndicTrans2、IndicLLM、IndicBERT、ASR/TTS | ⭐⭐⭐⭐☆ | NLP、Speech、多語模型 |
| 6 | 🇹🇭 泰國 | OpenThai / AIEAT | OpenThaiGPT、OpenThaiRAG、OpenThaiEval | ⭐⭐⭐⭐☆ | ASEAN LLM、RAG、Evaluation |
| 7 | 🇨🇳 中國 | Shanghai AI Lab | OpenMMLab、InternLM、LMDeploy、XTuner | ⭐⭐⭐⭐☆ | AI Infra、Inference、CV、LLM |
| 8 | 🇨🇳 中國 | BAAI / FlagOpen | FlagEmbedding、FlagAI、OpenSeek | ⭐⭐⭐⭐☆ | RAG、Embedding、LLM Infrastructure |
其中前三個，可以直接列入國際合作洽詢名單。
① AI Singapore / SEA-LION：可以放第一順位
這個其實非常像「AI 版本的 OOL」。
AI Singapore 是新加坡國家級 AI 計畫，由 NRF 支持、NUS 承載；SEA-LION 則是它主導的東南亞 open LLM 專案。它不只是把模型權重丟到 Hugging Face，而是明確公開：
Model + Training data + Fine-tuning data + Evaluation benchmark + Training code
而且官方 Contribution 文件直接寫：
- 歡迎外部組織合作
- 可以 Joint Model Building
- 可以貢獻 data
- 可以共同研究
- 可以 code contribution
- 合作成果原則上希望 open-source
甚至明寫可以簽 NDA / MOU / Collaboration Agreement。(GitHub)
2026 年 AI Singapore 又擴大 SEA-LION 生態，包括 open data platform、edge deployment、voice pipeline、document intelligence、multilingual evaluation 等 open-source tools。(SEA-LION)
所以如果寫信說：
Taiwan–Singapore Open Source AI Contributor Program
覺得對方完全看得懂這在談什麼。
可以談的題目
例如：
SEA-LION Contributor Track
讓台灣 Mentee 做：
SEA-LION → SEA-HELM → Taiwan/Traditional Chinese evaluation → dataset → PR
甚至可以做：
Traditional Chinese + Southeast Asian multilingual evaluation
這個很容易形成一個完整培育案。
② 日本 NII / LLM-jp：非常推薦
如果希望找日本對口
LLM-jp 比 OOL 更適合 AI Contributor 培育。
LLM-jp 是日本國立情報學研究所 NII 的 大規模言語模型研究開發中心 LLMC 主導。
它的定位本身就是：
建立 Open Japanese LLM，跨組織共享 Data、Compute，並公開 Models、Tools、Technical Materials。
目前已超過 2,600 名研究者／開發者／實務人員參與。(NII LLM Japan)
而且真的有：
Model Building WG Corpus WG Evaluation & Tuning WG Multimodal WG Safety WG Real Environment Interaction WG
等工作組。(日本國立情報學研究所)
2026 年更值得注意。
他們發布：
LLM-jp-4 8B LLM-jp-4 32B-A3B
而且刻意依照 Open Source AI Definition（OSAID）處理 corpus、model 與公開方式。(日本國立情報學研究所)
甚至語音模型：
LLM-jp-Moshi-v1
採 Apache 2.0 公開。(日本國立情報學研究所)
一個很重要的訊號
今年 2026 年 7 月，NII 才剛跟：
IIT Bombay + BharatGen Technology Foundation
正式簽 LLM R&D MoU。(NII LLM Japan)
代表他們不是只做「日本國內社群」，而是真的願意做亞洲國際合作。
所以甚至會建議洽：
NII LLMC，而不只是某一位日本教授。
題目可以做：
Taiwan–Japan Open LLM Contributor Program
例如讓 Mentee 進：
LLM Evaluation / Training tools / Corpus / Multimodal / Inference
成功機率不低。
③ AI Verify Foundation：很容易做出「真正的 PR」
這個特別適合現在的人培模式。
新加坡 IMDA 成立的非營利組織：
AI Verify Foundation
目前會員包括 AWS、Google、IBM、Microsoft、Red Hat、Salesforce 等，而且官方直接稱自己是：
global open-source community
目的是共同開發 AI testing framework、code base、standards、best practices。(AI Verify Foundation)
他們有兩個非常實在的 OSS：
AI Verify
AI Governance Testing Framework
Apache 2.0。(GitHub)
Project Moonshot
特別推薦。
它是：
LLM Evaluation + Benchmark + Red Team
完整 Python OSS。
而且目前還持續開發，明確寫著：
We welcome contributions from the community.
(GitHub)
Mentee 可以很容易做：
Traditional Chinese benchmark
↓
Taiwan safety dataset
↓
Moonshot connector / evaluator
↓
Pull Request
↓
Merged PR
這比「叫五個學生去訓練一個自己的 LLM」更符合 Open Source Contributor 培育。
④ 韓國 Open UP / NIPA
這一個有點不一樣。
它的 AI 技術深度沒有前三個強，但是如果談：
如何培養 Contributor
那它可能是整個亞洲最值得交流的單位之一。
韓國 NIPA 有一個：
Open UP
也就是政府成立的 Open Source SW 支援中心。
它下面直接有：
Open Source Contribution Academy
而且制度和正在規劃的東西驚人地相似：
Maintainer / Contributor 當 Mentor
↓
招募 Mentee
↓
約 13 週
↓
教 Coding Convention
↓
真的進 Open Source Project 做 contribution
↓
mentor 帶 contribution session
↓
產出成果。(開放原始碼入口網站)
甚至 Mentor 的條件就是：
目前正在貢獻某個 OSS project，具有 contributor 以上能力。
這幾乎就是現在講的：
Contributor → Committer → Maintainer
那套人才培育概念。
而且 Open UP 現在已經開始辦：
Open Source AI Management Academy
內容包含 OSS AI、AI license、AI data compliance、OSS contribution 等。(開放原始碼入口網站)
所以會把它定位成：
不是找他們教 AI，而是跟他們交流「OSS Contributor 人培制度」。
這非常值得。
⑤ AI4Bharat：印度很值得接觸
IIT Madras 的：
AI4Bharat
也是非常漂亮的案例。
他們官方定位就是：
advancing AI technology through open-source contributions
而且把 Open AI resources 視為 Digital Public Good。(AI4Bharat)
已經做很多真正被使用的 OSS：
IndicTrans2 22 種印度語言翻譯
IndicLLMSuite
IndicBERT
IndicWav2Vec
IndicWhisper
ASR / TTS
Shoonya / Anudesh annotation platform
等等。(GitHub)
如果未來要做：
LLM + Speech + Low-resource Language
這個非常適合。
而且印度對台灣合作的敏感度，相較中國大陸也低很多。
⑥ 泰國 OpenThai：小而美，反而可能很好談
這個滿推薦。
以前叫：
OpenThaiGPT
現在逐漸叫 OpenThai。
是由：
AI Entrepreneur Association of Thailand（AIEAT）
加上企業及 volunteer researchers 維護，而且有 NECTEC 等單位支持。(GitHub)
現在已經有：
OpenThaiGPT 1.6 72B
OpenThaiGPT R1 32B
OpenThaiRAG
OpenThaiEval
Pretraining pipeline
Finetune pipeline
而且他們 GitHub 現在直接寫：
We need help with Thai evaluation data domain fine-tunes medical / government / education inference tooling
(GitHub)
這句其實就是：
「歡迎 Contributor」
所以如果要找一個容易做出：
台灣 5 個 Mentee → 國際 OSS Project Contribution
的 Track，
OpenThai 可能比找 Meta、Google 更容易落地。
⑦ 上海 AI Lab：技術面非常強
如果純粹看 OSS 技術能力，這一定要列。
上海 AI Lab 背後有兩個很大的 OSS ecosystem：
OpenMMLab
CV 開源生態系：
MMDetection MMSegmentation MMEngine MMDeploy MMPretrain MMagic
等等。
OpenMMLab 官方定位本身就是建立完整 computer vision open-source algorithm platform。(OpenMMLab)
現在又往 LLM 發展：
InternLM
包括：
InternLM InternVL InternLM-XComposer InternLM-Math
以及：
XTuner
Training / Fine-tuning
LMDeploy
LLM inference / serving。(GitHub)
如果現在有：
Inference / Serving / AI Infra Track
其實：
LMDeploy
是一個很值得拿來跟 vLLM、SGLang 並列的人培專案。
技術非常漂亮。
只是若是政府計畫的正式國際合作，建議把採購、資安、政策與合作對象審查另外納入，不會只用技術條件決定。
⑧ BAAI / FlagOpen
北京智源人工智慧研究院 BAAI 也很值得研究。
它有一個專門的 Open Source Initiative：
FlagOpen
官方定位就是：
foster an open-source ecosystem for AI technologies
而且是真的有很大的 OSS。(GitHub)
尤其：
FlagEmbedding
這個很重要。
做：
Embedding / Retrieval / Reranker / RAG
GitHub 已經是萬星級專案。
另外還有：
FlagAI
大型模型 toolkit，而且 FlagAI 已經進入 LF AI & Data。(GitHub)
甚至現在還有：
OpenSeek
目標直接寫：
algorithms + data + systems 開放完整 large-model training pipeline training / inference code 支援 NVIDIA 以外 AI chips
(GitHub)
技術方向其實跟想做的 OSS AI 人培非常契合。
但同樣因為它是中國大陸研究機構，如果是政府委託計畫，要先處理合作政策問題。
計畫目標規劃
如果是：
「找國際合作單位＋Mentor，培養台灣工程師成為 OSS AI Contributor」
可以分三批接觸。
第一批，直接寫信
AI Singapore / SEA-LION
合作 Track： Open LLM / Evaluation / Multilingual AI
NII / LLM-jp
合作 Track： Open LLM Systems / Training / Evaluation
AI Verify Foundation
合作 Track： LLM Evaluation / AI Safety / Red Team
這三個最大的優點不是只有「技術強」，而是組織本身就明確接受外部合作。
第二批
Korea Open UP / NIPA
不是請他們帶某個 AI Project，而是：
Taiwan × Korea OSS Contributor Talent Development Exchange
研究他們 Contributor Academy 的 Mentor / Mentee 制度。
AI4Bharat
做：
Multilingual / Speech AI Contributor Track
OpenThai
做：
ASEAN Open LLM Contributor Track
第三批
技術非常強，但需要考慮合作政策：
Shanghai AI Lab / OpenMMLab / InternLM
BAAI / FlagOpen
目前整個合作架構可以故意找三種不同角色：
A. OSS Project Owner
例如：
SEA-LION LLM-jp Moonshot OpenThai OpenMMLab
負責提供 真正可以 contribution 的 project。
B. Contributor 培育組織
例如：
OOL Korea Open UP
負責 Mentor制度、Contributor methodology、community building。
C. 台灣 Mentor / 執行團隊
負責帶 Mentee：
Learn → Build → Issue → PR → Review → Merge → Long-term contribution
這樣其實會比「跟一個國外研究機構簽 MOU，然後請他們上幾堂課」強很多。
如果只能選 3 個，可以選
① AI Singapore / SEA-LION — 最容易形成亞洲 OSS AI 合作
② NII / LLM-jp — 技術層次最高，而且 2026 年正在積極做國際合作
③ AI Verify Foundation / Moonshot — 最容易讓 Mentee 在半年內產生真實 PR
至於 Korea Open UP，可以另外當成「人才培育制度標竿交流單位」，這個設計非常有價值。