OpenLedger Глубина исследования: создание экономии агентов, управляемой данными и моделями, которые можно комбинировать
Один. Введение | Переход на уровень модели Crypto AI
Данные, модели и вычислительная мощность являются тремя основными элементами инфраструктуры ИИ, и их нельзя ни в коем случае недооценивать. Подобно пути эволюции инфраструктуры традиционной индустрии ИИ, область Crypto AI также прошла через аналогичные этапы. В начале 2024 года рынок в значительной степени находился под контролем децентрализованных GPU проектов, которые в основном акцентировали внимание на логике грубого роста «сочетания вычислительной мощности». Однако с наступлением 2025 года внимание отрасли постепенно переместилось на уровень моделей и данных, что знаменует собой переход Crypto AI от конкуренции за базовые ресурсы к более устойчивой и ценной для применения средней конструкции.
Универсальная большая модель (LLM) против специализированной модели (SLM)
Традиционные крупные языковые модели (LLM) сильно зависят от масштабных наборов данных и сложной распределенной архитектуры, объем параметров которых составляет от 70B до 500B, а стоимость одной тренировки часто достигает нескольких миллионов долларов. В то время как SLM (Специализированная языковая модель) представляет собой легковесную парадигму тонкой настройки, основанную на повторно используемой базовой модели, она обычно опирается на открытые модели, сочетая ограниченное количество высококачественных специализированных данных и технологии, такие как LoRA, для быстрой разработки экспертных моделей с конкретными знаниями в определенной области, что значительно снижает стоимость тренировки и технические барьеры.
Стоит отметить, что SLM не будет интегрирован в веса LLM, а будет работать с LLM через вызовы архитектуры Agent, динамическую маршрутизацию плагинов, горячую замену модулей LoRA и RAG (усиленное извлечение генерации). Эта архитектура сохраняет широкие возможности LLM и улучшает профессиональные показатели за счет модуля тонкой настройки, формируя высоко гибкую комбинированную интеллектуальную систему.
Ценность и границы Crypto AI на уровне модели
Проекты Crypto AI по сути сложно непосредственно улучшить основные способности больших языковых моделей (LLM), основная причина заключается в том, что
Технический порог слишком высок: масштаб данных, вычислительные ресурсы и инженерные способности, необходимые для обучения Фундаментальной Модели, чрезвычайно велики, в настоящее время только у немногих технологических гигантов есть соответствующие возможности.
Ограничения открытой экосистемы: хотя основные модели с открытым исходным кодом уже доступны, ключ к настоящему прорыву моделей все еще сосредоточен в научно-исследовательских институтах и закрытых инженерных системах, а участие блокчейн-проектов на уровне основных моделей ограничено.
Однако, на основе открытых исходных моделей, проект Crypto AI все же может реализовать расширение ценности через тонкую настройку специализированных языковых моделей (SLM) и сочетание с верифицируемостью и механизмами стимулов Web3. В качестве «периферийного интерфейсного слоя» цепочки поставок AI это проявляется в двух основных направлениях:
Уровень доверительной проверки: через записи в цепочке о пути генерации модели, вкладе данных и их использовании, повышается прослеживаемость и устойчивость к подделке выходов AI.
Механизм стимулов: с помощью нативного токена для стимуляции таких действий, как загрузка данных, вызов модели, выполнение агента, создание положительного цикла обучения моделей и обслуживания.
Классификация типов AI моделей и анализ их применимости к блокчейну
Таким образом, можно увидеть, что основные точки реализации модели Crypto AI проектов сосредоточены на легкой настройке малых SLM, подключении и верификации цепочных данных в архитектуре RAG, а также на локальном развертывании и стимулировании Edge моделей. В сочетании с проверяемостью блокчейна и токеномикой, Crypto может предложить уникальную ценность для этих сцен с низкими и средними ресурсами, формируя дифференцированную ценность «интерфейсного слоя» AI.
Блокчейн AI цепь на основе данных и моделей может обеспечить четкую, неизменяемую запись источников вклада каждой единицы данных и модели в цепочку, значительно повышая доверие к данным и прослеживаемость обучения моделей. В то же время, с помощью механизма смарт-контрактов, при вызове данных или модели автоматически инициируется распределение вознаграждений, преобразуя действия AI в измеримую, торговую токенизированную ценность, создавая устойчивую систему стимулов. Кроме того, пользователи сообщества могут оценивать производительность модели с помощью голосования токенами, участвовать в разработке правил и итерациях, улучшая 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)
Два, Обзор проекта | Видение AI Chain OpenLedger
OpenLedger является одним из немногих блокчейн AI проектов на текущем рынке, сосредоточенных на механизмах стимуляции данных и моделей. Он первым предложил концепцию «Платежеспособного AI», целью которой является создание справедливой, прозрачной и композируемой среды для работы AI, которая стимулирует участников, вносящих данные, разработчиков моделей и создателей AI приложений, для совместной работы на одной платформе и получения цепочечных доходов в зависимости от их реального вклада.
OpenLedger предоставляет полную цепочку от «поставки данных» до «развертывания модели» и «вызова распределения прибыли», ее ключевые модули включают:
Модельная фабрика: без программирования вы можете использовать LoRA для тонкой настройки, обучения и развертывания пользовательских 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 цепочке;
Datanets: Структурированная сетка данных, ориентированная на вертикальные сценарии, строится и проверяется сообществом;
Платформа предложений моделей (Model Proposal Platform): комбинируемый, вызываемый и оплачиваемый рынок моделей на блокчейне.
С помощью вышеуказанных модулей OpenLedger создала «инфраструктуру экономики агентов», основанную на данных и комбинируемых моделях, способствуя ончейн-преобразованию ценностной цепочки ИИ.
А в применении технологии блокчейн, OpenLedger на базе OP Stack + EigenDA создала высокопроизводительную, низкозатратную и проверяемую среду выполнения данных и контрактов для AI моделей.
Построено на базе OP Stack: основано на технологии Optimism, поддерживает высокую пропускную способность и низкие затраты на выполнение;
Расчет в основной сети Ethereum: гарантирует безопасность транзакций и целостность активов;
EVM совместимость: удобно для разработчиков быстро развертывать и расширять на базе Solidity;
EigenDA предоставляет поддержку доступности данных: существенно снижает затраты на хранение и обеспечивает проверяемость данных.
По сравнению с некоторыми более низкоуровневыми универсальными AI блокчейнами, ориентированными на суверенитет данных, OpenLedger более сосредоточен на создании специализированного AI блокчейна, нацеленного на стимулы для данных и моделей, стремясь сделать разработку и использование моделей на блокчейне подлежащими отслеживанию, компоновке и устойчивому замкнутому циклу ценности. Это инфраструктура стимулов для моделей в мире Web3, объединяющая хостинг моделей, учет использования и совместимые интерфейсы на блокчейне, способствуя реализации концепции «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. Основные компоненты и технологическая архитектура OpenLedger
3.1 Модельная фабрика, не требуется кодовая модельная фабрика
ModelFactory — это крупная платформа для дообучения языковых моделей (LLM) в экосистеме OpenLedger. В отличие от традиционных фреймворков для дообучения, ModelFactory предлагает чисто графический интерфейс, не требующий командной строки или интеграции API. Пользователи могут дообучать модели на основе датасетов, прошедших авторизацию и проверку в OpenLedger. Реализован интегрированный рабочий процесс для авторизации данных, обучения моделей и их развертывания, который включает в себя следующие основные этапы:
Контроль доступа к данным: Пользователь отправляет запрос на данные, поставщик проверяет и одобряет, данные автоматически подключаются к интерфейсу обучения модели.
Выбор и настройка модели: поддержка основных LLM, настройка гиперпараметров через GUI.
Легкая доработка: встроенный движок LoRA / QLoRA, который отображает процесс обучения в реальном времени.
Оценка и развертывание модели: встроенные инструменты оценки, поддерживающие экспорт развертывания или совместное использование вызовов в экосистеме.
Интерфейс взаимодействия для проверки: предоставляет чат-интерфейс, удобный для прямого тестирования способности модели отвечать на вопросы.
Генерация RAG для отслеживания: ответы с источниками ссылок, повышающие доверие и возможность аудита.
Архитектура системы Model Factory включает шесть основных модулей, охватывающих идентификацию, права доступа к данным, тонкую настройку модели, оценку и развертывание, а также RAG трассировку, создавая безопасную и контролируемую, интерактивную в реальном времени и устойчивая к монетизации интегрированную платформу услуг модели.
! [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)
Модельный завод в настоящее время поддерживает следующие возможности крупных языковых моделей:
Серия LLaMA: самая широкая экосистема, активное сообщество, сильные универсальные характеристики, одна из самых популярных открытых базовых моделей на сегодняшний день.
Mistral: Архитектура эффективна, производительность вывода отличная, подходит для гибкого развертывания в условиях ограниченных ресурсов.
Qwen: Отличное выполнение китайских задач и сильные всесторонние способности, подходит для отечественных разработчиков.
ChatGLM: выдающийся эффект общения на китайском языке, подходит для нишевого обслуживания клиентов и локализованных сценариев.
Deepseek: Превосходен в генерации кода и математическом выводе, подходит для инструментов поддержки интеллектуальной разработки.
Gemma: Четкая структура, легко освоить и экспериментировать.
Falcon: Ранее был эталоном производительности, подходит для фундаментальных исследований или сравнительных тестов, но активность сообщества уменьшилась.
BLOOM: Поддержка множества языков довольно сильная, но производительность вывода слабая, подходит для исследований с охватом языков.
GPT-2: классическая ранняя модель, предназначенная только для учебных и верификационных целей, не рекомендуется для фактического развертывания.
Хотя модельный набор OpenLedger не включает в себя последние высокопроизводительные модели MoE или мультимодальные модели, его стратегия не устарела, а основана на «приоритетах практичности», исходя из реальных ограничений развертывания на цепочке (стоимость вывода, адаптация RAG, совместимость LoRA, среда EVM).
Model Factory как инструмент без кода, все модели имеют встроенный механизм доказательства вклада, что обеспечивает права участников данных и разработчиков моделей, обладая низким порогом входа, возможностью монетизации и комбинации, по сравнению с традиционными инструментами разработки моделей:
Для разработчиков: предоставление полного пути к инкубации, распространению и доходам модели;
Для платформы: формирование модели обращения активов и экосистемы комбинаций;
Для пользователей: можно комбинировать модели или агенты, 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, активизация цепочных активов модели донастройки
LoRA (Низкоранговая адаптация) - это эффективный метод тонкой настройки параметров, который позволяет учиться новым задачам, вставляя «низкоранговые матрицы» в предобученные большие модели, не изменяя параметры оригинальной модели, что значительно снижает стоимость обучения и потребности в хранении. Традиционные большие языковые модели (такие как LLaMA, GPT-3) обычно имеют десятки миллиардов, а то и сотни миллиардов параметров. Чтобы использовать их для конкретных задач (таких как юридические вопросы, медицинские консультации), необходимо провести тонкую настройку. Основная стратегия LoRA заключается в следующем: «заморозить параметры оригинальной большой модели, обучая только вставленные новые матричные параметры». Эта стратегия эффективно использует параметры, быстро обучается и гибко разворачивается, что делает ее наиболее подходящим современным методом тонкой настройки для развертывания и комбинированного вызова моделей Web3.
OpenLoRA — это легковесный фреймворк для инференса, созданный OpenLedger, специально разработанный для развертывания нескольких моделей и совместного использования ресурсов. Его основной целью является решение распространенных проблем развертывания AI моделей, таких как высокие затраты, низкая повторная использованность и расточительство ресурсов GPU, а также содействие реализации «оплачиваемого AI» (Payable AI).
OpenLoRA системная архитектура ключевых компонентов, основанная на модульном дизайне, охватывающая хранение моделей, выполнение вывода, маршрутизацию запросов и другие ключевые этапы, обеспечивающая эффективную и низкозатратную возможность развертывания и вызова нескольких моделей:
Модуль хранения LoRA Adapter (LoRA Adapters Storage): дообученный адаптер LoRA размещается на OpenLedger, что позволяет загружать его по мере необходимости, избегая предварительной загрузки всех моделей в видеопамять и экономя ресурсы.
Модельный хостинг и слой динамического слияния (Model Hosting & Adapter Merging Layer): Все модели с доработкой используют базовую модель (base model), во время инференции динамически объединяются LoRA адаптеры, поддерживается объединенный инференс нескольких адаптеров (ensemble), что повышает производительность.
Инференс-движок (Inference Engine): интегрирует Flash-Attention, Paged-Attention, оптимизацию SGMV и другие технологии оптимизации CUDA.
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» .
OpenLedger: создание инфраструктуры экономики интеллектуальных агентов, основанной на данных
OpenLedger Глубина исследования: создание экономии агентов, управляемой данными и моделями, которые можно комбинировать
Один. Введение | Переход на уровень модели Crypto AI
Данные, модели и вычислительная мощность являются тремя основными элементами инфраструктуры ИИ, и их нельзя ни в коем случае недооценивать. Подобно пути эволюции инфраструктуры традиционной индустрии ИИ, область Crypto AI также прошла через аналогичные этапы. В начале 2024 года рынок в значительной степени находился под контролем децентрализованных GPU проектов, которые в основном акцентировали внимание на логике грубого роста «сочетания вычислительной мощности». Однако с наступлением 2025 года внимание отрасли постепенно переместилось на уровень моделей и данных, что знаменует собой переход Crypto AI от конкуренции за базовые ресурсы к более устойчивой и ценной для применения средней конструкции.
Универсальная большая модель (LLM) против специализированной модели (SLM)
Традиционные крупные языковые модели (LLM) сильно зависят от масштабных наборов данных и сложной распределенной архитектуры, объем параметров которых составляет от 70B до 500B, а стоимость одной тренировки часто достигает нескольких миллионов долларов. В то время как SLM (Специализированная языковая модель) представляет собой легковесную парадигму тонкой настройки, основанную на повторно используемой базовой модели, она обычно опирается на открытые модели, сочетая ограниченное количество высококачественных специализированных данных и технологии, такие как LoRA, для быстрой разработки экспертных моделей с конкретными знаниями в определенной области, что значительно снижает стоимость тренировки и технические барьеры.
Стоит отметить, что SLM не будет интегрирован в веса LLM, а будет работать с LLM через вызовы архитектуры Agent, динамическую маршрутизацию плагинов, горячую замену модулей LoRA и RAG (усиленное извлечение генерации). Эта архитектура сохраняет широкие возможности LLM и улучшает профессиональные показатели за счет модуля тонкой настройки, формируя высоко гибкую комбинированную интеллектуальную систему.
Ценность и границы Crypto AI на уровне модели
Проекты Crypto AI по сути сложно непосредственно улучшить основные способности больших языковых моделей (LLM), основная причина заключается в том, что
Однако, на основе открытых исходных моделей, проект Crypto AI все же может реализовать расширение ценности через тонкую настройку специализированных языковых моделей (SLM) и сочетание с верифицируемостью и механизмами стимулов Web3. В качестве «периферийного интерфейсного слоя» цепочки поставок AI это проявляется в двух основных направлениях:
Классификация типов AI моделей и анализ их применимости к блокчейну
Таким образом, можно увидеть, что основные точки реализации модели Crypto AI проектов сосредоточены на легкой настройке малых SLM, подключении и верификации цепочных данных в архитектуре RAG, а также на локальном развертывании и стимулировании Edge моделей. В сочетании с проверяемостью блокчейна и токеномикой, Crypto может предложить уникальную ценность для этих сцен с низкими и средними ресурсами, формируя дифференцированную ценность «интерфейсного слоя» AI.
Блокчейн AI цепь на основе данных и моделей может обеспечить четкую, неизменяемую запись источников вклада каждой единицы данных и модели в цепочку, значительно повышая доверие к данным и прослеживаемость обучения моделей. В то же время, с помощью механизма смарт-контрактов, при вызове данных или модели автоматически инициируется распределение вознаграждений, преобразуя действия AI в измеримую, торговую токенизированную ценность, создавая устойчивую систему стимулов. Кроме того, пользователи сообщества могут оценивать производительность модели с помощью голосования токенами, участвовать в разработке правил и итерациях, улучшая 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)
Два, Обзор проекта | Видение AI Chain OpenLedger
OpenLedger является одним из немногих блокчейн AI проектов на текущем рынке, сосредоточенных на механизмах стимуляции данных и моделей. Он первым предложил концепцию «Платежеспособного AI», целью которой является создание справедливой, прозрачной и композируемой среды для работы AI, которая стимулирует участников, вносящих данные, разработчиков моделей и создателей AI приложений, для совместной работы на одной платформе и получения цепочечных доходов в зависимости от их реального вклада.
OpenLedger предоставляет полную цепочку от «поставки данных» до «развертывания модели» и «вызова распределения прибыли», ее ключевые модули включают:
С помощью вышеуказанных модулей OpenLedger создала «инфраструктуру экономики агентов», основанную на данных и комбинируемых моделях, способствуя ончейн-преобразованию ценностной цепочки ИИ.
А в применении технологии блокчейн, OpenLedger на базе OP Stack + EigenDA создала высокопроизводительную, низкозатратную и проверяемую среду выполнения данных и контрактов для AI моделей.
По сравнению с некоторыми более низкоуровневыми универсальными AI блокчейнами, ориентированными на суверенитет данных, OpenLedger более сосредоточен на создании специализированного AI блокчейна, нацеленного на стимулы для данных и моделей, стремясь сделать разработку и использование моделей на блокчейне подлежащими отслеживанию, компоновке и устойчивому замкнутому циклу ценности. Это инфраструктура стимулов для моделей в мире Web3, объединяющая хостинг моделей, учет использования и совместимые интерфейсы на блокчейне, способствуя реализации концепции «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. Основные компоненты и технологическая архитектура OpenLedger
3.1 Модельная фабрика, не требуется кодовая модельная фабрика
ModelFactory — это крупная платформа для дообучения языковых моделей (LLM) в экосистеме OpenLedger. В отличие от традиционных фреймворков для дообучения, ModelFactory предлагает чисто графический интерфейс, не требующий командной строки или интеграции API. Пользователи могут дообучать модели на основе датасетов, прошедших авторизацию и проверку в OpenLedger. Реализован интегрированный рабочий процесс для авторизации данных, обучения моделей и их развертывания, который включает в себя следующие основные этапы:
Архитектура системы Model Factory включает шесть основных модулей, охватывающих идентификацию, права доступа к данным, тонкую настройку модели, оценку и развертывание, а также RAG трассировку, создавая безопасную и контролируемую, интерактивную в реальном времени и устойчивая к монетизации интегрированную платформу услуг модели.
! [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)
Модельный завод в настоящее время поддерживает следующие возможности крупных языковых моделей:
Хотя модельный набор OpenLedger не включает в себя последние высокопроизводительные модели MoE или мультимодальные модели, его стратегия не устарела, а основана на «приоритетах практичности», исходя из реальных ограничений развертывания на цепочке (стоимость вывода, адаптация RAG, совместимость LoRA, среда EVM).
Model Factory как инструмент без кода, все модели имеют встроенный механизм доказательства вклада, что обеспечивает права участников данных и разработчиков моделей, обладая низким порогом входа, возможностью монетизации и комбинации, 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, активизация цепочных активов модели донастройки
LoRA (Низкоранговая адаптация) - это эффективный метод тонкой настройки параметров, который позволяет учиться новым задачам, вставляя «низкоранговые матрицы» в предобученные большие модели, не изменяя параметры оригинальной модели, что значительно снижает стоимость обучения и потребности в хранении. Традиционные большие языковые модели (такие как LLaMA, GPT-3) обычно имеют десятки миллиардов, а то и сотни миллиардов параметров. Чтобы использовать их для конкретных задач (таких как юридические вопросы, медицинские консультации), необходимо провести тонкую настройку. Основная стратегия LoRA заключается в следующем: «заморозить параметры оригинальной большой модели, обучая только вставленные новые матричные параметры». Эта стратегия эффективно использует параметры, быстро обучается и гибко разворачивается, что делает ее наиболее подходящим современным методом тонкой настройки для развертывания и комбинированного вызова моделей Web3.
OpenLoRA — это легковесный фреймворк для инференса, созданный OpenLedger, специально разработанный для развертывания нескольких моделей и совместного использования ресурсов. Его основной целью является решение распространенных проблем развертывания AI моделей, таких как высокие затраты, низкая повторная использованность и расточительство ресурсов GPU, а также содействие реализации «оплачиваемого AI» (Payable AI).
OpenLoRA системная архитектура ключевых компонентов, основанная на модульном дизайне, охватывающая хранение моделей, выполнение вывода, маршрутизацию запросов и другие ключевые этапы, обеспечивающая эффективную и низкозатратную возможность развертывания и вызова нескольких моделей: