OpenLedger Kedalaman Laporan Penelitian: Membangun Ekonomi Agen yang Didorong oleh Data dan Dapat Digabungkan Model dengan Dasar OP Stack+EigenDA
Satu, Pendahuluan | Lompatan lapisan model Crypto AI
Data, model, dan daya komputasi adalah tiga elemen inti dari infrastruktur AI, yang sebanding dengan bahan bakar (data), mesin (model), dan energi (daya komputasi) yang tak terpisahkan. Seperti jalur evolusi infrastruktur di industri AI tradisional, bidang Crypto AI juga mengalami tahap yang serupa. Pada awal tahun 2024, pasar sempat didominasi oleh proyek GPU terdesentralisasi ( beberapa platform daya komputasi terdesentralisasi lainnya ), yang secara umum menekankan logika pertumbuhan kasar "berkompetisi dalam daya komputasi". Namun, memasuki tahun 2025, perhatian industri perlahan-lahan bergeser ke lapisan model dan data, menandakan bahwa Crypto AI sedang bertransisi dari kompetisi sumber daya dasar ke pembangunan lapisan menengah yang lebih berkelanjutan dan bernilai aplikasi.
Model Umum (LLM) vs Model Spesifik (SLM)
Model bahasa tradisional besar (LLM) sangat bergantung pada kumpulan data besar dan arsitektur terdistribusi yang kompleks, dengan skala parameter yang sering kali mencapai 70B hingga 500B, dan biaya pelatihan sekali dapat mencapai jutaan dolar. Sementara SLM (Model Bahasa Khusus) sebagai paradigma penyetelan ringan dari model dasar yang dapat digunakan kembali, biasanya didasarkan pada model sumber terbuka seperti LLaMA, Mistral, DeepSeek, yang dikombinasikan dengan sejumlah kecil data profesional berkualitas tinggi dan teknologi seperti LoRA, untuk dengan cepat membangun model ahli yang memiliki pengetahuan di bidang tertentu, secara signifikan mengurangi biaya pelatihan dan ambang teknis.
Perlu dicatat bahwa SLM tidak akan diintegrasikan ke dalam bobot LLM, melainkan beroperasi dalam kolaborasi dengan LLM melalui arsitektur Agent, pengalihan dinamis sistem plugin, hot-plug modul LoRA, dan RAG (generasi yang ditingkatkan dengan pengambilan). Arsitektur ini mempertahankan kemampuan cakupan luas LLM sambil meningkatkan kinerja profesional melalui modul penyetelan, membentuk sistem cerdas kombinasi yang sangat fleksibel.
Nilai dan batas AI Crypto di lapisan model
Proyek Crypto AI pada dasarnya sulit untuk secara langsung meningkatkan kemampuan inti model bahasa besar (LLM), alasan utamanya adalah
Ambang teknis terlalu tinggi: Skala data, sumber daya komputasi, dan kemampuan rekayasa yang diperlukan untuk melatih Foundation Model sangat besar, saat ini hanya raksasa teknologi seperti Amerika Serikat (OpenAI, dll.) dan China (DeepSeek, dll.) yang memiliki kemampuan tersebut.
Keterbatasan ekosistem open source: Meskipun model dasar utama seperti LLaMA dan Mixtral telah diopen source, kunci untuk mendorong terobosan model tetap terfokus pada lembaga penelitian dan sistem rekayasa tertutup, ruang partisipasi proyek di atas rantai pada lapisan model inti terbatas.
Namun, di atas model dasar sumber terbuka, proyek Crypto AI masih dapat memperluas nilai melalui penyempurnaan model bahasa khusus (SLM), dan menggabungkan verifikasi dan mekanisme insentif Web3. Sebagai "lapisan antarmuka periferal" dalam rantai industri AI, hal ini tercermin dalam dua arah inti:
Lapisan verifikasi yang dapat dipercaya: Meningkatkan jejak yang dapat dilacak dan kemampuan anti-peny篡通过 mencatat jalur generasi model, kontribusi data, dan penggunaan di dalam rantai.
Mekanisme insentif: Menggunakan Token asli untuk mendorong perilaku seperti pengunggahan data, pemanggilan model, dan eksekusi agen, membangun siklus positif antara pelatihan model dan layanan.
Analisis Kesesuaian Jenis Model AI dan Blockchain
Oleh karena itu, dapat dilihat bahwa titik keberhasilan proyek Crypto AI yang berbasis model terutama terfokus pada penyesuaian ringan SLM skala kecil, pengintegrasian dan verifikasi data on-chain dengan arsitektur RAG, serta penyebaran lokal dan insentif model Edge. Menggabungkan verifikasi blockchain dan mekanisme token, Crypto dapat memberikan nilai unik untuk skenario model sumber daya menengah dan rendah, membentuk nilai diferensiasi pada lapisan "antarmuka" AI.
Blockchain AI Chain berbasis data dan model, dapat memberikan catatan yang jelas dan tidak dapat diubah tentang sumber kontribusi setiap data dan model, secara signifikan meningkatkan keandalan data dan keterlacakan pelatihan model. Pada saat yang sama, melalui mekanisme kontrak pintar, ketika data atau model dipanggil, secara otomatis memicu distribusi hadiah, mengubah perilaku AI menjadi nilai tokenisasi yang dapat diukur dan diperdagangkan, membangun sistem insentif yang berkelanjutan. Selain itu, pengguna komunitas juga dapat menilai kinerja model melalui pemungutan suara token, berpartisipasi dalam perumusan dan iterasi aturan, serta menyempurnakan struktur tata kelola terdesentralisasi.
Dua, Gambaran Proyek | Visi Rantai AI OpenLedger
OpenLedger adalah salah satu proyek blockchain AI yang fokus pada mekanisme insentif data dan model di pasar saat ini. Ini adalah yang pertama mengusulkan konsep "Payable AI", yang bertujuan untuk membangun lingkungan operasi AI yang adil, transparan, dan dapat dikombinasikan, mendorong kontributor data, pengembang model, dan pembangun aplikasi AI untuk berkolaborasi di platform yang sama, dan mendapatkan pendapatan on-chain berdasarkan kontribusi nyata.
OpenLedger menyediakan rantai penuh dari "penyediaan data" hingga "penempatan model" dan "panggilan pembagian keuntungan", dengan modul inti yang mencakup:
Model Factory: Tanpa perlu pengkodean, Anda dapat menggunakan LoRA untuk melatih dan menerapkan model kustom berdasarkan LLM sumber terbuka;
OpenLoRA: Mendukung keberadaan seribu model secara bersamaan, memuat secara dinamis sesuai kebutuhan, secara signifikan mengurangi biaya penyebaran;
PoA (Bukti Attribusi): Mengukur kontribusi dan distribusi hadiah melalui catatan pemanggilan di blockchain;
Datanets: Jaringan data terstruktur yang ditujukan untuk skenario vertikal, dibangun dan diverifikasi melalui kolaborasi komunitas;
Platform Usulan Model (Model Proposal Platform): pasar model on-chain yang dapat digabungkan, dipanggil, dan dibayar.
Melalui modul di atas, OpenLedger membangun "infrastruktur ekonomi agen pintar" yang berbasis data dan dapat dikombinasikan dengan model, mendorong on-chain dari rantai nilai AI.
Dan dalam adopsi teknologi blockchain, OpenLedger menggunakan OP Stack + EigenDA sebagai dasar, untuk membangun lingkungan operasi data dan kontrak yang berkinerja tinggi, biaya rendah, dan dapat diverifikasi untuk model AI.
Dibangun di atas OP Stack: Berdasarkan tumpukan teknologi Optimism, mendukung throughput tinggi dan biaya rendah dalam eksekusi;
Menyelesaikan di jaringan utama Ethereum: Memastikan keamanan transaksi dan integritas aset;
Kompatibel dengan EVM: Memudahkan pengembang untuk cepat menerapkan dan memperluas berdasarkan Solidity;
EigenDA menyediakan dukungan ketersediaan data: secara signifikan mengurangi biaya penyimpanan, memastikan verifikasi data.
Dibandingkan dengan NEAR yang lebih berfokus pada lapisan bawah, menekankan pada kedaulatan data dan arsitektur 「AI Agents on BOS」, OpenLedger lebih fokus pada pembangunan rantai khusus AI yang ditujukan untuk insentif data dan model, berkomitmen untuk mewujudkan pengembangan dan pemanggilan model dengan nilai yang dapat dilacak, dapat digabungkan, dan berkelanjutan di atas rantai. Ini adalah infrastruktur insentif model dalam dunia Web3, menggabungkan beberapa platform hosting model seperti platform hosting model, beberapa platform pembayaran untuk penagihan penggunaan, dan beberapa layanan infrastruktur blockchain untuk antarmuka yang dapat digabungkan di atas rantai, mendorong jalur realisasi 「model sebagai aset」.
Tiga, Komponen Inti dan Arsitektur Teknologi OpenLedger
3.1 Model Factory, tanpa perlu kode model pabrik
ModelFactory adalah platform fine-tuning model bahasa besar (LLM) di bawah ekosistem OpenLedger. Berbeda dengan kerangka fine-tuning tradisional, ModelFactory menyediakan antarmuka grafis murni untuk operasi, tanpa memerlukan alat baris perintah atau integrasi API. Pengguna dapat melakukan fine-tuning model berdasarkan dataset yang telah disetujui dan diaudit di OpenLedger. Ini mewujudkan alur kerja terpadu untuk otorisasi data, pelatihan model, dan penyebaran, yang mencakup proses inti berikut:
Kontrol akses data: Pengguna mengajukan permintaan data, penyedia meninjau dan menyetujui, data secara otomatis terhubung ke antarmuka pelatihan model.
Pemilihan dan konfigurasi model: Mendukung LLM utama (seperti LLaMA, Mistral), mengonfigurasi hyperparameter melalui GUI.
Penyesuaian ringan: Mesin LoRA / QLoRA bawaan, menampilkan kemajuan pelatihan secara real-time.
Evaluasi dan Penempatan Model: Alat evaluasi bawaan, mendukung ekspor penempatan atau panggilan berbagi ekosistem.
Antarmuka verifikasi interaktif: Menyediakan antarmuka berbasis obrolan, memudahkan pengujian langsung kemampuan tanya jawab model.
RAG menghasilkan jejak asal: Menjawab dengan referensi sumber, meningkatkan kepercayaan dan kemampuan untuk diaudit.
Arsitektur sistem Model Factory mencakup enam modul, meliputi otentikasi identitas, hak akses data, penyesuaian model, evaluasi penerapan, dan pelacakan RAG, menciptakan platform layanan model terpadu yang aman, terkontrol, interaktif secara real-time, dan dapat menghasilkan pendapatan berkelanjutan.
ModelFactory saat ini mendukung kemampuan model bahasa besar sebagai berikut:
Seri LLaMA: Ekosistem terluas, komunitas aktif, kinerja umum yang kuat, merupakan salah satu model dasar sumber terbuka yang paling utama saat ini.
Mistral: Arsitektur yang efisien, kinerja inferensi yang sangat baik, cocok untuk skenario yang fleksibel dan sumber daya terbatas.
Qwen: Diproduksi oleh Alibaba, kinerja tugas dalam bahasa Mandarin sangat baik, kemampuan komprehensif yang kuat, cocok sebagai pilihan utama bagi pengembang domestik.
ChatGLM: Efek percakapan dalam bahasa Mandarin sangat menonjol, cocok untuk layanan pelanggan khusus dan skenario lokal.
Deepseek: Unggul dalam penghasilan kode dan penalaran matematis, cocok untuk alat bantu pengembangan cerdas.
Gemma: Model ringan yang diluncurkan oleh Google, dengan struktur yang jelas, mudah untuk cepat dipahami dan dieksperimen.
Falcon: Pernah menjadi tolok ukur kinerja, cocok untuk penelitian dasar atau pengujian perbandingan, tetapi tingkat aktivitas komunitas telah menurun.
BLOOM: Dukungan multibahasa yang kuat, tetapi kinerja inferensi yang lemah, cocok untuk penelitian yang mencakup berbagai bahasa.
GPT-2: Model klasik awal, hanya cocok untuk tujuan pengajaran dan verifikasi, tidak disarankan untuk penggunaan penerapan nyata.
Meskipun kombinasi model OpenLedger tidak mencakup model MoE berkinerja tinggi terbaru atau model multimodal, strateginya tidak ketinggalan zaman, melainkan merupakan konfigurasi "prioritas praktis" yang didasarkan pada batasan nyata yang diterapkan di blockchain (biaya inferensi, penyesuaian RAG, kompatibilitas LoRA, lingkungan EVM).
Model Factory sebagai rantai alat tanpa kode, semua model dilengkapi dengan mekanisme bukti kontribusi, memastikan hak data kontributor dan pengembang model, memiliki keunggulan ambang rendah, dapat dimonetisasi, dan dapat dikombinasikan, dibandingkan dengan alat pengembangan model tradisional:
Untuk pengembang: Menyediakan jalur lengkap untuk inkubasi model, distribusi, dan pendapatan;
Untuk platform: membentuk ekosistem sirkulasi dan kombinasi aset model;
Untuk pengguna: Anda dapat menggabungkan model atau Agen seperti memanggil API.
3.2 OpenLoRA, aset on-chain dari model fine-tuning
LoRA (Low-Rank Adaptation) adalah metode penyesuaian parameter yang efisien, yang belajar tugas baru dengan menyisipkan "matriks peringkat rendah" ke dalam model besar yang telah dilatih sebelumnya, tanpa mengubah parameter model asli, sehingga secara signifikan mengurangi biaya pelatihan dan kebutuhan penyimpanan. Model bahasa besar tradisional (seperti LLaMA, GPT-3) biasanya memiliki puluhan miliar bahkan ratusan miliar parameter. Untuk menggunakannya dalam tugas tertentu (seperti tanya jawab hukum, konsultasi medis), perlu dilakukan penyesuaian (fine-tuning). Strategi inti LoRA adalah: "membekukan parameter model besar asli, hanya melatih matriks parameter baru yang disisipkan.", yang efisien dalam parameter, cepat dalam pelatihan, dan fleksibel dalam penerapan, merupakan metode penyesuaian arus utama yang paling cocok untuk penerapan dan pemanggilan kombinasi model Web3 saat ini.
OpenLoRA adalah kerangka kerja inferensi ringan yang dirancang khusus untuk penyebaran multi-model dan berbagi sumber daya yang dibangun oleh OpenLedger. Tujuan utamanya adalah untuk mengatasi masalah umum yang ada dalam penyebaran model AI saat ini, seperti biaya tinggi, rendahnya pemanfaatan kembali, dan pemborosan sumber daya GPU, serta mendorong pelaksanaan "AI yang dapat dibayar" (Payable AI).
Komponen inti arsitektur sistem OpenLoRA, berbasis model
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
16 Suka
Hadiah
16
5
Bagikan
Komentar
0/400
WenMoon
· 15jam yang lalu
Hanya mengandalkan Daya Komputasi juga terlalu kuno ya
Lihat AsliBalas0
AltcoinMarathoner
· 15jam yang lalu
vibes mil 23 rn... ruang ini bergerak dari komputasi mentah ke lapisan model, seperti mencapai titik manis dalam maraton di mana strategi > kekuatan kasar
Lihat AsliBalas0
DegenWhisperer
· 15jam yang lalu
Persaingan di lapisan dasar semuanya palsu
Lihat AsliBalas0
BlockchainFoodie
· 15jam yang lalu
mmm tumpukan ini seperti resep yang sempurna... data sebagai bahan, model sebagai teknik memasak, komputasi sebagai sumber panas... *ciuman juru masak*
Lihat AsliBalas0
AirdropHunterWang
· 15jam yang lalu
Kemana pun bisa menghasilkan uang, di situlah kita pergi.
OpenLedger membangun ekosistem AI on-chain: OP Stack + EigenDA sebagai dasar untuk mendorong ekonomi agen cerdas yang dapat dikombinasikan.
OpenLedger Kedalaman Laporan Penelitian: Membangun Ekonomi Agen yang Didorong oleh Data dan Dapat Digabungkan Model dengan Dasar OP Stack+EigenDA
Satu, Pendahuluan | Lompatan lapisan model Crypto AI
Data, model, dan daya komputasi adalah tiga elemen inti dari infrastruktur AI, yang sebanding dengan bahan bakar (data), mesin (model), dan energi (daya komputasi) yang tak terpisahkan. Seperti jalur evolusi infrastruktur di industri AI tradisional, bidang Crypto AI juga mengalami tahap yang serupa. Pada awal tahun 2024, pasar sempat didominasi oleh proyek GPU terdesentralisasi ( beberapa platform daya komputasi terdesentralisasi lainnya ), yang secara umum menekankan logika pertumbuhan kasar "berkompetisi dalam daya komputasi". Namun, memasuki tahun 2025, perhatian industri perlahan-lahan bergeser ke lapisan model dan data, menandakan bahwa Crypto AI sedang bertransisi dari kompetisi sumber daya dasar ke pembangunan lapisan menengah yang lebih berkelanjutan dan bernilai aplikasi.
Model Umum (LLM) vs Model Spesifik (SLM)
Model bahasa tradisional besar (LLM) sangat bergantung pada kumpulan data besar dan arsitektur terdistribusi yang kompleks, dengan skala parameter yang sering kali mencapai 70B hingga 500B, dan biaya pelatihan sekali dapat mencapai jutaan dolar. Sementara SLM (Model Bahasa Khusus) sebagai paradigma penyetelan ringan dari model dasar yang dapat digunakan kembali, biasanya didasarkan pada model sumber terbuka seperti LLaMA, Mistral, DeepSeek, yang dikombinasikan dengan sejumlah kecil data profesional berkualitas tinggi dan teknologi seperti LoRA, untuk dengan cepat membangun model ahli yang memiliki pengetahuan di bidang tertentu, secara signifikan mengurangi biaya pelatihan dan ambang teknis.
Perlu dicatat bahwa SLM tidak akan diintegrasikan ke dalam bobot LLM, melainkan beroperasi dalam kolaborasi dengan LLM melalui arsitektur Agent, pengalihan dinamis sistem plugin, hot-plug modul LoRA, dan RAG (generasi yang ditingkatkan dengan pengambilan). Arsitektur ini mempertahankan kemampuan cakupan luas LLM sambil meningkatkan kinerja profesional melalui modul penyetelan, membentuk sistem cerdas kombinasi yang sangat fleksibel.
Nilai dan batas AI Crypto di lapisan model
Proyek Crypto AI pada dasarnya sulit untuk secara langsung meningkatkan kemampuan inti model bahasa besar (LLM), alasan utamanya adalah
Namun, di atas model dasar sumber terbuka, proyek Crypto AI masih dapat memperluas nilai melalui penyempurnaan model bahasa khusus (SLM), dan menggabungkan verifikasi dan mekanisme insentif Web3. Sebagai "lapisan antarmuka periferal" dalam rantai industri AI, hal ini tercermin dalam dua arah inti:
Analisis Kesesuaian Jenis Model AI dan Blockchain
Oleh karena itu, dapat dilihat bahwa titik keberhasilan proyek Crypto AI yang berbasis model terutama terfokus pada penyesuaian ringan SLM skala kecil, pengintegrasian dan verifikasi data on-chain dengan arsitektur RAG, serta penyebaran lokal dan insentif model Edge. Menggabungkan verifikasi blockchain dan mekanisme token, Crypto dapat memberikan nilai unik untuk skenario model sumber daya menengah dan rendah, membentuk nilai diferensiasi pada lapisan "antarmuka" AI.
Blockchain AI Chain berbasis data dan model, dapat memberikan catatan yang jelas dan tidak dapat diubah tentang sumber kontribusi setiap data dan model, secara signifikan meningkatkan keandalan data dan keterlacakan pelatihan model. Pada saat yang sama, melalui mekanisme kontrak pintar, ketika data atau model dipanggil, secara otomatis memicu distribusi hadiah, mengubah perilaku AI menjadi nilai tokenisasi yang dapat diukur dan diperdagangkan, membangun sistem insentif yang berkelanjutan. Selain itu, pengguna komunitas juga dapat menilai kinerja model melalui pemungutan suara token, berpartisipasi dalam perumusan dan iterasi aturan, serta menyempurnakan struktur tata kelola terdesentralisasi.
Dua, Gambaran Proyek | Visi Rantai AI OpenLedger
OpenLedger adalah salah satu proyek blockchain AI yang fokus pada mekanisme insentif data dan model di pasar saat ini. Ini adalah yang pertama mengusulkan konsep "Payable AI", yang bertujuan untuk membangun lingkungan operasi AI yang adil, transparan, dan dapat dikombinasikan, mendorong kontributor data, pengembang model, dan pembangun aplikasi AI untuk berkolaborasi di platform yang sama, dan mendapatkan pendapatan on-chain berdasarkan kontribusi nyata.
OpenLedger menyediakan rantai penuh dari "penyediaan data" hingga "penempatan model" dan "panggilan pembagian keuntungan", dengan modul inti yang mencakup:
Melalui modul di atas, OpenLedger membangun "infrastruktur ekonomi agen pintar" yang berbasis data dan dapat dikombinasikan dengan model, mendorong on-chain dari rantai nilai AI.
Dan dalam adopsi teknologi blockchain, OpenLedger menggunakan OP Stack + EigenDA sebagai dasar, untuk membangun lingkungan operasi data dan kontrak yang berkinerja tinggi, biaya rendah, dan dapat diverifikasi untuk model AI.
Dibandingkan dengan NEAR yang lebih berfokus pada lapisan bawah, menekankan pada kedaulatan data dan arsitektur 「AI Agents on BOS」, OpenLedger lebih fokus pada pembangunan rantai khusus AI yang ditujukan untuk insentif data dan model, berkomitmen untuk mewujudkan pengembangan dan pemanggilan model dengan nilai yang dapat dilacak, dapat digabungkan, dan berkelanjutan di atas rantai. Ini adalah infrastruktur insentif model dalam dunia Web3, menggabungkan beberapa platform hosting model seperti platform hosting model, beberapa platform pembayaran untuk penagihan penggunaan, dan beberapa layanan infrastruktur blockchain untuk antarmuka yang dapat digabungkan di atas rantai, mendorong jalur realisasi 「model sebagai aset」.
Tiga, Komponen Inti dan Arsitektur Teknologi OpenLedger
3.1 Model Factory, tanpa perlu kode model pabrik
ModelFactory adalah platform fine-tuning model bahasa besar (LLM) di bawah ekosistem OpenLedger. Berbeda dengan kerangka fine-tuning tradisional, ModelFactory menyediakan antarmuka grafis murni untuk operasi, tanpa memerlukan alat baris perintah atau integrasi API. Pengguna dapat melakukan fine-tuning model berdasarkan dataset yang telah disetujui dan diaudit di OpenLedger. Ini mewujudkan alur kerja terpadu untuk otorisasi data, pelatihan model, dan penyebaran, yang mencakup proses inti berikut:
Arsitektur sistem Model Factory mencakup enam modul, meliputi otentikasi identitas, hak akses data, penyesuaian model, evaluasi penerapan, dan pelacakan RAG, menciptakan platform layanan model terpadu yang aman, terkontrol, interaktif secara real-time, dan dapat menghasilkan pendapatan berkelanjutan.
ModelFactory saat ini mendukung kemampuan model bahasa besar sebagai berikut:
Meskipun kombinasi model OpenLedger tidak mencakup model MoE berkinerja tinggi terbaru atau model multimodal, strateginya tidak ketinggalan zaman, melainkan merupakan konfigurasi "prioritas praktis" yang didasarkan pada batasan nyata yang diterapkan di blockchain (biaya inferensi, penyesuaian RAG, kompatibilitas LoRA, lingkungan EVM).
Model Factory sebagai rantai alat tanpa kode, semua model dilengkapi dengan mekanisme bukti kontribusi, memastikan hak data kontributor dan pengembang model, memiliki keunggulan ambang rendah, dapat dimonetisasi, dan dapat dikombinasikan, dibandingkan dengan alat pengembangan model tradisional:
3.2 OpenLoRA, aset on-chain dari model fine-tuning
LoRA (Low-Rank Adaptation) adalah metode penyesuaian parameter yang efisien, yang belajar tugas baru dengan menyisipkan "matriks peringkat rendah" ke dalam model besar yang telah dilatih sebelumnya, tanpa mengubah parameter model asli, sehingga secara signifikan mengurangi biaya pelatihan dan kebutuhan penyimpanan. Model bahasa besar tradisional (seperti LLaMA, GPT-3) biasanya memiliki puluhan miliar bahkan ratusan miliar parameter. Untuk menggunakannya dalam tugas tertentu (seperti tanya jawab hukum, konsultasi medis), perlu dilakukan penyesuaian (fine-tuning). Strategi inti LoRA adalah: "membekukan parameter model besar asli, hanya melatih matriks parameter baru yang disisipkan.", yang efisien dalam parameter, cepat dalam pelatihan, dan fleksibel dalam penerapan, merupakan metode penyesuaian arus utama yang paling cocok untuk penerapan dan pemanggilan kombinasi model Web3 saat ini.
OpenLoRA adalah kerangka kerja inferensi ringan yang dirancang khusus untuk penyebaran multi-model dan berbagi sumber daya yang dibangun oleh OpenLedger. Tujuan utamanya adalah untuk mengatasi masalah umum yang ada dalam penyebaran model AI saat ini, seperti biaya tinggi, rendahnya pemanfaatan kembali, dan pemborosan sumber daya GPU, serta mendorong pelaksanaan "AI yang dapat dibayar" (Payable AI).
Komponen inti arsitektur sistem OpenLoRA, berbasis model