OpenLedger Глубина исследовательский отчет: на базе OP Stack+EigenDA создать экономику интеллектуальных агентов, основанную на данных и комбинируемых моделях
Один. Введение | Переход модели Crypto AI
Данные, модели и вычислительная мощность являются тремя основными компонентами инфраструктуры ИИ, аналогично топливу (данные), двигателю (модель) и энергии (вычислительная мощность), которые необходимы друг другу. Подобно эволюции инфраструктуры традиционной индустрии ИИ, сфера Crypto AI также прошла через похожие этапы. В начале 2024 года рынок в значительной степени контролировался децентрализованными проектами GPU, которые в основном подчеркивали логику грубого роста «конкуренции вычислительной мощности». Однако с наступлением 2025 года внимание отрасли постепенно переместилось на уровень моделей и данных, что ознаменовало переход Crypto AI от конкуренции за базовые ресурсы к более устойчивому и ценному для применения среднему уровню.
Общая большая модель (LLM) против специализированной модели (SLM)
Традиционные крупные языковые модели (LLM) сильно зависят от масштабных наборов данных и сложной распределенной архитектуры, масштаб параметров часто составляет от 70B до 500B, а стоимость одной тренировки может достигать нескольких миллионов долларов. В то время как SLM (Специализированная языковая модель) является легковесным подходом к тонкой настройке, который использует повторно базовые модели, обычно основанные на открытых моделях, таких как LLaMA, Mistral, DeepSeek, в сочетании с небольшим количеством высококачественных специализированных данных и технологиями LoRA, что позволяет быстро создавать экспертные модели с определенными знаниями в области и значительно снижать стоимость тренировки и технический порог.
Стоит отметить, что SLM не будет интегрирован в веса LLM, а будет взаимодействовать с LLM через архитектуру Agent, динамическую маршрутизацию системы плагинов, горячую замену модулей LoRA и RAG (генерация с повышением поиска). Эта архитектура сохраняет широкую охват LLM и одновременно усиливает профессиональные показатели за счет модуля тонкой настройки, формируя высоко гибкую комбинированную интеллектуальную систему.
Значение и границы Crypto AI на уровне модели
Крипто-AI проекты по своей сути сложно напрямую улучшить ключевые способности больших языковых моделей (LLM), основной причиной является
Высокий технический порог: объем данных, вычислительных ресурсов и инженерных навыков, необходимых для обучения Foundation Model, чрезвычайно велик, в настоящее время только такие технологические гиганты, как США и Китай, обладают соответствующими возможностями.
Ограничения открытой экосистемы: хотя такие основные модели, как LLaMA и Mixtral, уже открыты, ключ к реальному прорыву моделей все еще сосредоточен в научных учреждениях и закрытых инженерных системах, а участие блокчейн-проектов на уровне основных моделей ограничено.
Однако, на основе открытых моделей, проект Crypto AI все еще может осуществлять расширение ценности через тонкую настройку специализированных языковых моделей (SLM) и сочетание с верифицируемостью и механизмами стимулов Web3. В качестве «периферийного интерфейсного слоя» AI индустриальной цепочки это проявляется в двух основных направлениях:
Доверенный уровень проверки: через запись на блокчейне пути генерации модели, вклад данных и использование, усиливается прослеживаемость и устойчивость к подделкам выходных данных AI.
Механизм стимулирования: с помощью родного токена, используемого для стимулирования загрузки данных, вызова моделей, выполнения агентов (Agent) и других действий, строится положительная обратная связь для обучения моделей и услуг.
Классификация типов AI моделей и анализ применимости в блокчейне
Таким образом, можно увидеть, что целевые точки модели класса Crypto AI в основном сосредоточены на легковесной настройке маломасштабного SLM, подключении и верификации данных на блокчейне с архитектурой RAG, а также на локальном развертывании и стимулировании Edge моделей. В сочетании с проверяемостью блокчейна и токеномикой, Crypto может предоставить уникальную ценность для этих сценарием моделей со средними и низкими ресурсами, формируя дифференцированную ценность «интерфейсного слоя» AI.
Блокчейн AI цепь на основе данных и моделей может предоставить четкую, неизменяемую запись источников вклада каждой единицы данных и модели, значительно повышая доверие к данным и прослеживаемость обучения моделей. В то же время, благодаря механизму смарт-контрактов, при вызове данных или модели автоматически инициируется распределение вознаграждений, превращая поведение AI в измеримую, торгуемую токенизированную ценность и создавая устойчивую систему стимулов. Кроме того, пользователи сообщества могут оценивать производительность модели с помощью голосования токенами, участвовать в разработке и итерации правил, совершенствуя архитектуру децентрализованного управления.
! [Подробный исследовательский отчет OpenLedger: Построение управляемой данными, компонуемой агентной экономикой на основе модели на основе OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменты-62b3fa1e810f4772aaba3d91c74c1aa6)
II. Обзор проекта | Видение AI Chain OpenLedger
OpenLedger является одним из немногих блокчейн AI проектов на текущем рынке, сосредоточенным на механизмах стимуляции данных и моделей. Он первым предложил концепцию «Payable AI», целью которой является создание справедливой, прозрачной и комбинируемой среды для работы AI, стимулируя участников, предоставляющих данные, разработчиков моделей и создателей AI приложений, чтобы они могли сотрудничать на одной платформе и получать доход на блокчейне в зависимости от их фактического вклада.
OpenLedger предоставляет полный замкнутый цикл от «предоставления данных» до «развертывания моделей» и «вызова распределения прибыли», его ключевые модули включают:
Модельный завод: без программирования можно использовать LoRA для тонкой настройки, обучения и развертывания настраиваемых моделей на основе открытого LLM;
OpenLoRA: поддержка совместного использования тысяч моделей, динамическая загрузка по мере необходимости, значительное снижение затрат на развертывание;
PoA (Доказательство Атрибуции): измерение вклада и распределение вознаграждений через записи вызовов в блокчейне;
Datanets: Структурированная сеть данных, ориентированная на вертикальные сценарии, построенная и проверенная сообществом;
Платформа предложений моделей (Model Proposal Platform): комбинируемый, вызываемый, платёжный рынок моделей на блокчейне.
С помощью вышеуказанных модулей OpenLedger построил «инфраструктуру экономической базы агентов», управляемую данными и комбинируемую по моделям, способствуя ончейну цепочки ценностей ИИ.
А в принятии технологии блокчейн OpenLedger использует OP Stack + EigenDA в качестве основы, создавая высокопроизводительную, низкозатратную и проверяемую среду выполнения данных и контрактов для моделей ИИ.
Построен на OP Stack: основан на технологии Optimism, поддерживает высокую пропускную способность и низкие затраты на выполнение;
Расчет в основной сети Ethereum: Обеспечение безопасности транзакций и целостности активов;
EVM совместимость: удобство для разработчиков быстро развертывать и расширять на базе Solidity;
EigenDA предоставляет поддержку доступности данных: значительно снижает затраты на хранение, обеспечивает проверяемость данных.
По сравнению с NEAR, который более ориентирован на базовые уровни и акцентирует внимание на суверенитете данных и архитектуре «AI Agents on BOS», OpenLedger более сосредоточен на создании специализированной цепи AI, направленной на стимуляцию данных и моделей, стремясь сделать разработку и вызов моделей на цепи отслеживаемыми, комбинируемыми и устойчивыми в рамках ценностного замыкания. Это инфраструктура для моделирования стимулов в мире Web3, которая сочетает в себе хостинг моделей в стиле HuggingFace, выставление счетов за использование в стиле Stripe и комбинируемые интерфейсы на цепи в стиле Infura, продвигая путь к реализации «модель как актив».
! [Подробный исследовательский отчет OpenLedger: Построение управляемой данными, компонуемой агентной экономикой на основе модели на основе OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменты-19c2276fccc616ccf9260fb7e35c9c24)
Три. Ядро компонентов и технологическая архитектура OpenLedger
3.1 Модельный завод,无需代码模型工厂
ModelFactory является крупной платформой для дообучения языковых моделей (LLM) в экосистеме OpenLedger. В отличие от традиционных фреймворков дообучения, ModelFactory предлагает чисто графический интерфейс, без необходимости использования командной строки или интеграции API. Пользователи могут настраивать модели на основе наборов данных, авторизованных и проверенных на OpenLedger. Реализован интегрированный рабочий процесс, включающий авторизацию данных, обучение моделей и развертывание, ключевые этапы которого включают:
Контроль доступа к данным: пользователи отправляют запросы на данные, провайдеры проверяют и утверждают, данные автоматически подключаются к интерфейсу обучения модели.
Выбор и настройка модели: поддержка основных LLM (таких как LLaMA, Mistral), настройка гиперпараметров через GUI.
Легкая настройка: Встроенный движок LoRA / QLoRA, демонстрирующий процесс обучения в реальном времени.
Оценка и развертывание модели: Встроенные инструменты оценки, поддержка экспорта развертывания или вызова для совместного использования экосистемы.
Интерфейс проверки взаимодействия: предоставляет чат-интерфейс, удобный для прямого тестирования способности модели отвечать на вопросы.
Генерация RAG трассировки: ответы с ссылками на источник, увеличивающие доверие и возможность аудита.
Система архитектуры Model Factory включает шесть основных модулей, охватывающих идентификацию, права доступа к данным, тонкую настройку моделей, оценку развертывания и RAG отслеживание, создавая безопасную и контролируемую, интерактивную в реальном времени и устойчивую к монетизации интегрированную платформу сервисов моделей.
! [Подробный исследовательский отчет OpenLedger: Построение управляемой данными, компонуемой агентной экономикой на основе модели на основе OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменты-f23f47f09226573b1fcacebdcfb8c1f3)
Краткая таблица возможностей больших языковых моделей, поддерживаемых ModelFactory, представлена ниже:
Серия LLaMA: имеет самую широкую экосистему, активное сообщество и высокую универсальную производительность, является одной из самых популярных открытых базовых моделей на данный момент.
Mistral: Архитектура эффективна, производительность вывода отличная, подходит для гибкого развертывания в условиях ограниченных ресурсов.
Qwen: продукт от Alibaba, отлично выполняет задачи на китайском языке, обладает высокой комплексной способностью, подходит в качестве первого выбора для отечественных разработчиков.
ChatGLM: выдающийся эффект китайского диалога, подходит для специализированного обслуживания клиентов и локализованных сценариев.
Deepseek: демонстрирует превосходство в генерировании кода и математическом выводе, подходит для инструментов поддержки интеллектуальной разработки.
Gemma: Легкая модель, разработанная Google, с четкой структурой, легко осваивается и подходит для быстрого эксперимента.
Falcon: Когда-то был эталоном производительности, подходит для базовых исследований или сравнительных тестов, но активность сообщества снизилась.
BLOOM: Поддержка нескольких языков довольно сильная, но производительность вывода слабая, подходит для исследований по охвату языков.
GPT-2: классическая ранняя модель, подходит только для учебных и верификационных целей, не рекомендуется для реального развертывания.
Хотя модельный набор OpenLedger не включает в себя последние высокопроизводительные модели MoE или мультимодальные модели, его стратегия не устарела, а основана на «практическом приоритете», который учитывает реальные ограничения развертывания на цепочке (стоимость вывода, адаптация RAG, совместимость LoRA, среда EVM).
Model Factory как безкодовая инструментальная цепочка, все модели встроили механизм доказательства вклада, обеспечивая права участников данных и разработчиков моделей, обладая низким порогом, возможностью монетизации и компоновки, по сравнению с традиционными инструментами разработки моделей:
Для разработчиков: предоставление полного пути к инкубации, распространению и доходам от моделей;
Для платформы: формирование модели оборота активов и экосистемы комбинации;
Для пользователей: можно комбинировать модели или агента так же, как при вызове API.
! [Подробный исследовательский отчет OpenLedger: Построение управляемой данными, компонуемой агентной экономикой на основе модели на основе OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменты-909dc3f796ad6aa44a1c97a51ade4193)
3.2 OpenLoRA, активы на блокчейне для дообученных моделей
LoRA (Low-Rank Adaptation) является эффективным методом тонкой настройки параметров, который обучает новые задачи, вставляя «низкоранговые матрицы» в предобученные большие модели, не изменяя параметры оригинальной модели, что значительно снижает затраты на обучение и требования к хранению. Традиционные большие языковые модели (такие как LLaMA, GPT-3) обычно имеют десятки миллиардов или даже сотни миллиардов параметров. Чтобы использовать их для конкретных задач (например, юридические вопросы, медицинские консультации), требуется тонкая настройка (fine-tuning). Основная стратегия LoRA заключается в том, чтобы: «заморозить параметры оригинальной большой модели и обучать только новые параметры матрицы, вставленные в нее». Она эффективна по параметрам, быстро обучается и гибко разворачивается, что делает ее текущим наиболее подходящим методом для развертывания моделей Web3 и их комбинированного вызова.
OpenLoRA — это легковесный фреймворк для вывода, разработанный OpenLedger, специально предназначенный для многомодельного развертывания и совместного использования ресурсов. Его основной целью является решение распространенных проблем развертывания AI моделей, таких как высокие расходы, низкая повторная используемость и неэффективное использование ресурсов GPU, а также содействие реализации «оплачиваемого ИИ» (Payable AI).
Ядро архитектуры системы OpenLoRA, основанное на модульном дизайне, охватывает ключевые этапы хранения моделей, выполнения вывода, маршрутизации запросов и т.д., реализуя эффективные и недорогие возможности развертывания и вызова нескольких моделей:
Модуль хранения LoRA Adapter (LoRA Adapters Storage): Подстроенный LoRA адаптер размещается на OpenLedger, обеспечивая загрузку по мере необходимости, избегая предварительной загрузки всех моделей в видеопамять, что экономит ресурсы.
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
10 Лайков
Награда
10
6
Репост
Поделиться
комментарий
0/400
NotAFinancialAdvice
· 08-16 04:32
Снова будут играть для лохов
Посмотреть ОригиналОтветить0
rugpull_survivor
· 08-16 04:30
Снова новая разыгрывайте людей как лохов
Посмотреть ОригиналОтветить0
CompoundPersonality
· 08-16 04:26
Слышится, проведите собственное исследование (DYOR)
OpenLedger создает инфраструктуру экономики умных агентов, формируя экосистему стимулов для надежных верифицированных AI моделей.
OpenLedger Глубина исследовательский отчет: на базе OP Stack+EigenDA создать экономику интеллектуальных агентов, основанную на данных и комбинируемых моделях
Один. Введение | Переход модели Crypto AI
Данные, модели и вычислительная мощность являются тремя основными компонентами инфраструктуры ИИ, аналогично топливу (данные), двигателю (модель) и энергии (вычислительная мощность), которые необходимы друг другу. Подобно эволюции инфраструктуры традиционной индустрии ИИ, сфера Crypto AI также прошла через похожие этапы. В начале 2024 года рынок в значительной степени контролировался децентрализованными проектами GPU, которые в основном подчеркивали логику грубого роста «конкуренции вычислительной мощности». Однако с наступлением 2025 года внимание отрасли постепенно переместилось на уровень моделей и данных, что ознаменовало переход Crypto AI от конкуренции за базовые ресурсы к более устойчивому и ценному для применения среднему уровню.
Общая большая модель (LLM) против специализированной модели (SLM)
Традиционные крупные языковые модели (LLM) сильно зависят от масштабных наборов данных и сложной распределенной архитектуры, масштаб параметров часто составляет от 70B до 500B, а стоимость одной тренировки может достигать нескольких миллионов долларов. В то время как SLM (Специализированная языковая модель) является легковесным подходом к тонкой настройке, который использует повторно базовые модели, обычно основанные на открытых моделях, таких как LLaMA, Mistral, DeepSeek, в сочетании с небольшим количеством высококачественных специализированных данных и технологиями LoRA, что позволяет быстро создавать экспертные модели с определенными знаниями в области и значительно снижать стоимость тренировки и технический порог.
Стоит отметить, что SLM не будет интегрирован в веса LLM, а будет взаимодействовать с LLM через архитектуру Agent, динамическую маршрутизацию системы плагинов, горячую замену модулей LoRA и RAG (генерация с повышением поиска). Эта архитектура сохраняет широкую охват LLM и одновременно усиливает профессиональные показатели за счет модуля тонкой настройки, формируя высоко гибкую комбинированную интеллектуальную систему.
Значение и границы Crypto AI на уровне модели
Крипто-AI проекты по своей сути сложно напрямую улучшить ключевые способности больших языковых моделей (LLM), основной причиной является
Однако, на основе открытых моделей, проект Crypto AI все еще может осуществлять расширение ценности через тонкую настройку специализированных языковых моделей (SLM) и сочетание с верифицируемостью и механизмами стимулов Web3. В качестве «периферийного интерфейсного слоя» AI индустриальной цепочки это проявляется в двух основных направлениях:
Классификация типов AI моделей и анализ применимости в блокчейне
Таким образом, можно увидеть, что целевые точки модели класса Crypto AI в основном сосредоточены на легковесной настройке маломасштабного SLM, подключении и верификации данных на блокчейне с архитектурой RAG, а также на локальном развертывании и стимулировании Edge моделей. В сочетании с проверяемостью блокчейна и токеномикой, Crypto может предоставить уникальную ценность для этих сценарием моделей со средними и низкими ресурсами, формируя дифференцированную ценность «интерфейсного слоя» AI.
Блокчейн AI цепь на основе данных и моделей может предоставить четкую, неизменяемую запись источников вклада каждой единицы данных и модели, значительно повышая доверие к данным и прослеживаемость обучения моделей. В то же время, благодаря механизму смарт-контрактов, при вызове данных или модели автоматически инициируется распределение вознаграждений, превращая поведение AI в измеримую, торгуемую токенизированную ценность и создавая устойчивую систему стимулов. Кроме того, пользователи сообщества могут оценивать производительность модели с помощью голосования токенами, участвовать в разработке и итерации правил, совершенствуя архитектуру децентрализованного управления.
! [Подробный исследовательский отчет OpenLedger: Построение управляемой данными, компонуемой агентной экономикой на основе модели на основе OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменты-62b3fa1e810f4772aaba3d91c74c1aa6)
II. Обзор проекта | Видение AI Chain OpenLedger
OpenLedger является одним из немногих блокчейн AI проектов на текущем рынке, сосредоточенным на механизмах стимуляции данных и моделей. Он первым предложил концепцию «Payable AI», целью которой является создание справедливой, прозрачной и комбинируемой среды для работы AI, стимулируя участников, предоставляющих данные, разработчиков моделей и создателей AI приложений, чтобы они могли сотрудничать на одной платформе и получать доход на блокчейне в зависимости от их фактического вклада.
OpenLedger предоставляет полный замкнутый цикл от «предоставления данных» до «развертывания моделей» и «вызова распределения прибыли», его ключевые модули включают:
С помощью вышеуказанных модулей OpenLedger построил «инфраструктуру экономической базы агентов», управляемую данными и комбинируемую по моделям, способствуя ончейну цепочки ценностей ИИ.
А в принятии технологии блокчейн OpenLedger использует OP Stack + EigenDA в качестве основы, создавая высокопроизводительную, низкозатратную и проверяемую среду выполнения данных и контрактов для моделей ИИ.
По сравнению с NEAR, который более ориентирован на базовые уровни и акцентирует внимание на суверенитете данных и архитектуре «AI Agents on BOS», OpenLedger более сосредоточен на создании специализированной цепи AI, направленной на стимуляцию данных и моделей, стремясь сделать разработку и вызов моделей на цепи отслеживаемыми, комбинируемыми и устойчивыми в рамках ценностного замыкания. Это инфраструктура для моделирования стимулов в мире Web3, которая сочетает в себе хостинг моделей в стиле HuggingFace, выставление счетов за использование в стиле Stripe и комбинируемые интерфейсы на цепи в стиле Infura, продвигая путь к реализации «модель как актив».
! [Подробный исследовательский отчет OpenLedger: Построение управляемой данными, компонуемой агентной экономикой на основе модели на основе OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменты-19c2276fccc616ccf9260fb7e35c9c24)
Три. Ядро компонентов и технологическая архитектура OpenLedger
3.1 Модельный завод,无需代码模型工厂
ModelFactory является крупной платформой для дообучения языковых моделей (LLM) в экосистеме OpenLedger. В отличие от традиционных фреймворков дообучения, ModelFactory предлагает чисто графический интерфейс, без необходимости использования командной строки или интеграции API. Пользователи могут настраивать модели на основе наборов данных, авторизованных и проверенных на OpenLedger. Реализован интегрированный рабочий процесс, включающий авторизацию данных, обучение моделей и развертывание, ключевые этапы которого включают:
Система архитектуры Model Factory включает шесть основных модулей, охватывающих идентификацию, права доступа к данным, тонкую настройку моделей, оценку развертывания и RAG отслеживание, создавая безопасную и контролируемую, интерактивную в реальном времени и устойчивую к монетизации интегрированную платформу сервисов моделей.
! [Подробный исследовательский отчет OpenLedger: Построение управляемой данными, компонуемой агентной экономикой на основе модели на основе OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменты-f23f47f09226573b1fcacebdcfb8c1f3)
Краткая таблица возможностей больших языковых моделей, поддерживаемых ModelFactory, представлена ниже:
Хотя модельный набор OpenLedger не включает в себя последние высокопроизводительные модели MoE или мультимодальные модели, его стратегия не устарела, а основана на «практическом приоритете», который учитывает реальные ограничения развертывания на цепочке (стоимость вывода, адаптация RAG, совместимость LoRA, среда EVM).
Model Factory как безкодовая инструментальная цепочка, все модели встроили механизм доказательства вклада, обеспечивая права участников данных и разработчиков моделей, обладая низким порогом, возможностью монетизации и компоновки, по сравнению с традиционными инструментами разработки моделей:
! [Подробный исследовательский отчет OpenLedger: Построение управляемой данными, компонуемой агентной экономикой на основе модели на основе OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменты-909dc3f796ad6aa44a1c97a51ade4193)
3.2 OpenLoRA, активы на блокчейне для дообученных моделей
LoRA (Low-Rank Adaptation) является эффективным методом тонкой настройки параметров, который обучает новые задачи, вставляя «низкоранговые матрицы» в предобученные большие модели, не изменяя параметры оригинальной модели, что значительно снижает затраты на обучение и требования к хранению. Традиционные большие языковые модели (такие как LLaMA, GPT-3) обычно имеют десятки миллиардов или даже сотни миллиардов параметров. Чтобы использовать их для конкретных задач (например, юридические вопросы, медицинские консультации), требуется тонкая настройка (fine-tuning). Основная стратегия LoRA заключается в том, чтобы: «заморозить параметры оригинальной большой модели и обучать только новые параметры матрицы, вставленные в нее». Она эффективна по параметрам, быстро обучается и гибко разворачивается, что делает ее текущим наиболее подходящим методом для развертывания моделей Web3 и их комбинированного вызова.
OpenLoRA — это легковесный фреймворк для вывода, разработанный OpenLedger, специально предназначенный для многомодельного развертывания и совместного использования ресурсов. Его основной целью является решение распространенных проблем развертывания AI моделей, таких как высокие расходы, низкая повторная используемость и неэффективное использование ресурсов GPU, а также содействие реализации «оплачиваемого ИИ» (Payable AI).
Ядро архитектуры системы OpenLoRA, основанное на модульном дизайне, охватывает ключевые этапы хранения моделей, выполнения вывода, маршрутизации запросов и т.д., реализуя эффективные и недорогие возможности развертывания и вызова нескольких моделей: