OpenLedger использует OP Stack + EigenDA для создания экономии интеллектуальных агентов, основанной на данных.

2025-08-05 10:52:51

OpenLedger Глубина исследовательский отчет: на основе OP Stack + EigenDA, создание экономии агентов, управляемой данными и совместимых моделей

Один. Введение | Переход модели Crypto AI

Данные, модели и вычислительная мощность являются тремя основными элементами инфраструктуры ИИ, аналогично топливу (данные), двигателю (модель), энергии (вычислительная мощность) — все три элемента необходимы. Подобно эволюционному пути инфраструктуры традиционной ИИ-индустрии, область Crypto AI также прошла через аналогичные этапы. В начале 2024 года рынок был в значительной степени под контролем децентрализованных GPU-проектов, которые в основном подчеркивали логику грубого роста «конкуренции вычислительной мощности». Однако с наступлением 2025 года акцент в отрасли постепенно сместился на уровень моделей и данных, что ознаменовало переход Crypto AI от конкуренции за базовые ресурсы к более устойчивой и имеющей прикладную ценность средней конструкции.

Общая модель (LLM) против специализированной модели (SLM)

Традиционные крупные языковые модели (LLM) в значительной степени зависят от масштабных наборов данных и сложной распределенной архитектуры, масштаб параметров зачастую составляет от 70B до 500B, а стоимость одной тренировки может достигать нескольких миллионов долларов. В то время как SLM (Специализированная языковая модель) представляет собой легковесный подход к дообучению, основанный на переиспользуемой базовой модели, который обычно строится на основе открытых моделей и сочетает в себе небольшое количество высококачественных специализированных данных и технологии LoRA, что позволяет быстро создавать экспертные модели с конкретными знаниями в определенной области, значительно снижая стоимость тренировки и технические барьеры.

Стоит отметить, что SLM не будет интегрирован в веса LLM, а будет работать совместно с LLM через архитектуру Agent, динамическую маршрутизацию плагинов, горячее подключение модулей LoRA, RAG (улучшенная генерация с учетом поиска) и другие методы. Эта архитектура сохраняет широкие возможности LLM и одновременно усиливает профессиональные характеристики через модули тонкой настройки, формируя высоко гибкую комбинированную интеллектуальную систему.

! [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)

Значение и границы Crypto AI на уровне моделей

Проекты Crypto AI по своей сути трудно напрямую улучшить основные возможности крупных языковых моделей (LLM), основной причиной этого является

Слишком высокая техническая планка: объем данных, вычислительные ресурсы и инженерные способности, необходимые для обучения Foundation Model, крайне велики, в настоящее время только такие технологические гиганты, как США и Китай, обладают соответствующими возможностями.
Ограничения открытой экосистемы: хотя основные модели уже открыты, ключевыми факторами, способствующими прорыву в моделях, по-прежнему остаются научно-исследовательские учреждения и закрытые инженерные системы, а пространство участия блокчейн-проектов на уровне основных моделей ограничено.

Однако на основе открытых моделей, проект Crypto AI все еще может реализовать расширение ценности с помощью тонкой настройки специализированных языковых моделей (SLM) и сочетания с проверяемостью и механизмами стимулов Web3. В качестве «периферийного интерфейсного слоя» AI цепочки поставок это проявляется в двух основных направлениях:

Достоверный слой верификации: через записи в цепочке генерируемых моделей, данные о вкладе и использовании, усиливается отслеживаемость и устойчивость вывода ИИ к подделке.
Механизм стимулов: с помощью родного Token для стимулирования загрузки данных, вызова моделей, выполнения агентов (Agent) и других действий, создание положительного цикла обучения моделей и обслуживания.

Анализ классификации типов AI моделей и их применимости к блокчейну

Таким образом, можно увидеть, что жизнеспособные точки применения моделей класса Crypto AI в основном сосредоточены на легковесной настройке маломасштабных SLM, подключении и верификации данных на цепочке архитектуры RAG, а также на локальном развертывании и стимулировании Edge моделей. В сочетании с верифицируемостью блокчейна и токеномикой, Crypto может предоставить уникальную ценность для этих сценариев с ограниченными ресурсами, формируя дифференцированную ценность "интерфейсного слоя" AI.

Блокчейн AI цепочка, основанная на данных и моделях, может обеспечить четкую, неизменяемую запись источника вклада каждой данные и модели в цепочке, значительно повышая доверие к данным и прослеживаемость обучения модели. В то же время, с помощью механизма смарт-контрактов при вызове данных или модели автоматически срабатывает распределение вознаграждений, превращая поведение AI в измеримую, подлежащую торговле токенизированную ценность, 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.

II. Обзор проекта | Видение AI цепи OpenLedger

OpenLedger является одним из немногих проектов блокчейн AI на рынке, сосредоточенных на механизмах стимулов для данных и моделей. Он первым предложил концепцию «Payable AI», цель которой - создать честную, прозрачную и комбинируемую среду работы AI, чтобы поощрять участников, предоставляющих данные, разработчиков моделей и создателей AI приложений, сотрудничать на одной платформе и получать цепочечные доходы в зависимости от фактического вклада.

OpenLedger предоставляет полный цепочный замкнутый цикл от «поставки данных» до «развертывания модели» и до «вызова распределения прибыли», его основные модули включают:

Модель Фабрика: без необходимости программирования, можно 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 Принадлежности): измерение вклада и распределение наград через реализацию записей вызова на блокчейне;
Datanets: Структурированные сетевые данные, ориентированные на вертикальные сценарии, создаваемые и проверяемые сообществом;
Платформа предложений моделей (Model Proposal Platform): комбинируемый, вызываемый и оплачиваемый рынок моделей на цепочке.

С помощью вышеуказанных модулей, OpenLedger создала «инфраструктуру экономики агентов», основанную на данных и комбинируемых моделях, способствуя онлайнизации цепочки создания ценности AI.

А в применении технологии блокчейн OpenLedger использует OP Stack + EigenDA в качестве основы, создавая высокопроизводительную, низкозатратную и проверяемую среду для запуска данных и контрактов для моделей ИИ.

Построено на OP Stack: на основе технологии Optimism, поддерживает высокую пропускную способность и низкие затраты на выполнение;
Расчет в основной сети Ethereum: Обеспечение безопасности транзакций и целостности активов;
EVM совместимость: удобно для разработчиков быстро разрабатывать и расширять на основе Solidity;
EigenDA предоставляет поддержку доступности данных: значительно снижает затраты на хранение, обеспечивает проверяемость данных.

В отличие от таких более низкоуровневых блокчейнов, как NEAR, которые акцентируют внимание на суверенитете данных и архитектуре «AI Agents on BOS», OpenLedger больше сосредоточен на создании специализированных AI-блокчейнов, ориентированных на стимулы для данных и моделей, стремясь обеспечить возможность разработки и вызова моделей с достижением отслеживаемой, комбинируемой и устойчивой ценностной цепочки на блокчейне. Это инфраструктура для стимулов моделей в мире Web3, сочетающая хостинг моделей, выставление счетов за использование и комбинируемые интерфейсы на блокчейне, способствующая реализации концепции «модель как актив».

Три, основные компоненты и техническая архитектура OpenLedger

3.1 Модельный завод,无需代码模型工厂

ModelFactory — это крупная платформа для дообучения языковой модели (LLM) в экосистеме OpenLedger. В отличие от традиционных фреймворков для дообучения, ModelFactory предлагает полностью графический интерфейс, без необходимости использования командной строки или интеграции API. Пользователи могут дообучать модели на основе данных, прошедших авторизацию и проверку на OpenLedger. Реализован интегрированный рабочий процесс для авторизации данных, обучения моделей и их развертывания, который включает в себя 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 настройка: встроенный движок LoRA / QLoRA, отображающий процесс обучения в реальном времени.
Оценка и развертывание модели: встроенные инструменты оценки, поддерживающие экспорт развертывания или совместное использование в экосистеме.
Интерфейс проверки взаимодействия: предоставляет чат-интерфейс, удобный для прямого тестирования способности модели к ответам на вопросы.
Генерация RAG для отслеживания: Ответы с указанием источника цитирования, повышающие доверие и аудитируемость.

Архитектура системы Model Factory состоит из шести крупных модулей, охватывающих аутентификацию личности, управление правами доступа к данным, тонкую настройку моделей, оценку развертывания и RAG отслеживание, создавая безопасную и управляемую, интерактивную в реальном времени, устойчивую к монетизации интегрированную платформу сервисов моделей.

Модельный завод в настоящее время поддерживает следующие возможности больших языковых моделей:

Серия LLaMA: самая широкая экосистема, активное сообщество, высокая универсальная производительность, одна из самых популярных открытых базовых моделей на данный момент.
Mistral: Архитектура эффективная, 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: выдающееся качество диалога на китайском языке, подходит для узкоспециализированного обслуживания клиентов и локализованных сценариев.
Deepseek：Выдающееся исполнение в генерации кода и математическом выводе, подходит для инструментов помощи в интеллектуальной разработке.
Gemma: легкая модель, выпущенная Google, с четкой структурой, легко осваивается и подходит для быстрых экспериментов.
Falcon: Ранее был эталоном производительности, подходит для фундаментальных исследований или сравнительных тестов, но активность сообщества снизилась.
BLOOM: поддержка нескольких языков довольно хорошая, но производительность вывода слабая, подходит для исследований с охватом языков.
GPT-2: классическая ранняя модель, подходит только для учебных и верификационных целей, не рекомендуется для реального развертывания.

Хотя комбинация моделей OpenLedger не включает последние высокопроизводительные модели MoE или многомодальные модели, ее стратегия не устарела, а основана на «приоритетах практичности», сделанных с учетом реальных ограничений развертывания на блокчейне (стоимость вывода, адаптация RAG, совместимость LoRA, среда EVM).

Model Factory как инструмент без кода, все модели встроили механизм доказательства вклада, который обеспечивает права участников данных и разработчиков моделей, обладает низким порогом, возможностью монетизации и комбинирования, 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 агента так же, как вы вызываете API.

3.2 OpenLoRA, активизация модели с помощью дообучения на блокчейне

LoRA (Low-Rank Adaptation) — это эффективный метод тонкой настройки параметров, который обучает новые задачи путем вставки «низкоранговых матриц» в предобученные большие модели, не изменяя параметры оригинальной модели, что значительно снижает затраты на обучение и требования к хранению. Традиционные большие языковые модели обычно имеют десятки миллиардов, а иногда и сотни миллиардов параметров. Чтобы использовать их для конкретных задач, необходимо провести тонкую настройку. Основная стратегия LoRA заключается в следующем: «заморозить параметры оригинальной большой модели, обучая только вставленные новые матричные параметры». Этот метод эффективен по параметрам, быстро обучается и гибко разворачивается, что делает его наиболее подходящим для развертывания и комбинированного вызова моделей Web3.

OpenLoRA — это легковесный фреймворк для инференса, разработанный OpenLedger, специально предназначенный для развертывания нескольких моделей и совместного использования ресурсов. Его основной целью является решение распространенных проблем, связанных с развертыванием AI моделей, таких как высокая стоимость, низкая повторная использование и неэффективное использование ресурсов GPU, а также продвижение реализации «оплачиваемого AI» (Payable AI).

Основные компоненты архитектуры системы OpenLoRA, основанные на модульном дизайне, охватывают ключевые этапы, такие как хранение моделей, выполнение вывода, маршрутизация запросов и т.д., обеспечивая эффективные и недорогие возможности развертывания и вызова нескольких моделей:

Модуль хранения LoRA Adapter: доработанный адаптер LoRA размещен на OpenLedger, что позволяет загружать его по мере необходимости, избегая предзагрузки всех моделей в видеопамять и экономя ресурсы.
Хостинг модели и динамический слой слияния: все модели с доработкой используют основную большую модель, во время вывода

OP5.39%

Посмотреть Оригинал

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» .

14 Лайков