Подробный исследовательский отчет по OpenLedger: Построение управляемой данными и компонуемой агентской экономикой на основе OP Stack+EigenDA
Один. Введение | Переход на уровень модели Crypto AI
Данные, модели и вычислительная мощность являются тремя основными элементами инфраструктуры ИИ, аналогично топливу (данные), двигателю (модель) и энергии (вычислительная мощность), которые необходимы друг другу. Подобно эволюционному пути инфраструктуры традиционной индустрии ИИ, область Crypto AI также прошла через аналогичные этапы. В начале 2024 года рынок на время находился под контролем децентрализованных GPU проектов ( некоторых децентрализованных платформ вычислительной мощности и т.д. ), которые в основном подчеркивали логику грубого роста «состязания вычислительной мощности». Однако с наступлением 2025 года внимание отрасли постепенно сместилось на уровень моделей и данных, что стало знаковым переходом Crypto AI от конкуренции за базовые ресурсы к более устойчивой и ценной с точки зрения применения среднесрочной структуре.
! [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)
Общие большие модели (LLM) против специализированных моделей (SLM)
Традиционные крупные языковые модели (LLM) в значительной степени зависят от больших наборов данных и сложной распределенной архитектуры, масштаб параметров обычно составляет от 70B до 500B, а стоимость одной тренировки часто достигает нескольких миллионов долларов. В то время как SLM (Специализированная языковая модель) является легковесной парадигмой тонкой настройки, основанной на многоразовой базовой модели, обычно на основе открытых моделей, таких как LLaMA, Mistral, DeepSeek, в сочетании с небольшим количеством качественных специализированных данных и технологиями LoRA, она быстро создает экспертные модели с определенными знаниями в конкретной области, что значительно снижает затраты на обучение и технические барьеры.
Стоит отметить, что SLM не будет интегрирован в веса LLM, а будет работать совместно с LLM через архитектуру агентом, динамическую маршрутизацию в системе плагинов, горячую замену модулей LoRA, RAG (усиленная генерация на основе поиска) и другие способы. Эта архитектура сохраняет широкие возможности LLM, а также усиливает профессиональные показатели за счет модулей тонкой настройки, формируя высоко гибкую комбинированную интеллектуальную систему.
Ценность и границы Crypto AI на уровне моделей
Крипто-AI проекты по своей сути трудно напрямую повысить основные возможности больших языковых моделей (LLM), основная причина в том, что
Технический барьер слишком высок: объем данных, вычислительных ресурсов и инженерных навыков, необходимых для обучения Foundation Model, чрезвычайно велик, в настоящее время только такие технологические гиганты, как США (OpenAI и др.) и Китай (DeepSeek и др.) обладают соответствующими возможностями.
Ограничения открытой экосистемы: хотя такие основные модели, как LLaMA и Mixtral, уже открыты, ключ к прорыву моделей по-прежнему сосредоточен в научных учреждениях и замкнутых инженерных системах, а участие проектов на блокчейне в сфере основных моделей остается ограниченным.
Однако на основе открытых моделей, проекты Crypto AI все еще могут реализовать расширение ценности через тонкую настройку специализированных языковых моделей (SLM) и сочетание верифицируемости и механизмов стимулирования Web3. В качестве «периферийного интерфейса» AI цепочки поставок это проявляется в двух основных направлениях:
Достоверный уровень проверки: через цепочку записей о пути генерации модели, вкладе данных и их использовании, усиливается прослеживаемость и устойчивость к подделкам результатов ИИ.
Механизм стимулов: с помощью родного токена для стимулирования загрузки данных, вызова моделей, выполнения агентов (Agent) и других действий, создание положительного цикла обучения моделей и предоставления услуг.
Классификация типов моделей ИИ и анализ их применимости к блокчейну
Таким образом, можно увидеть, что жизнеспособные направления моделей типа Crypto AI в основном сосредоточены на легкой настройке небольших SLM, доступе к данным на цепочке и верификации архитектуры RAG, а также на локальном развертывании и стимулировании Edge моделей. С учетом проверяемости блокчейна и токеномики, Crypto может предложить уникальную ценность для этих сценариев моделей с низкими и средними ресурсами, формируя дифференцированную ценность «интерфейсного слоя» AI.
Блокчейн AI цепь, основанная на данных и моделях, может создавать четкие, неизменяемые записи о происхождении вклада каждой записи данных и модели, значительно повышая доверие к данным и прослеживаемость обучения модели. В то же время, благодаря механизму смарт-контрактов, при вызове данных или модели автоматически запускается распределение вознаграждений, превращая поведение AI в измеримую, торгуемую 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 децентрализованную управленческую структуру.
! [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)
Два, Обзор проекта | Визия AI-цепи OpenLedger
OpenLedger является одним из немногих блокчейн AI проектов на рынке, сосредоточенных на механизмах стимулирования данных и моделей. Он первым предложил концепцию «Payable AI», целью которой является создание справедливой, прозрачной и комбинируемой среды для работы AI, которая будет стимулировать участников данных, разработчиков моделей и создателей AI приложений сотрудничать на одной платформе и получать доходы в цепочке в зависимости от их реального вклада.
OpenLedger предоставляет полный замкнутый цикл от «предоставления данных» до «развертывания моделей» и «вызова распределения прибыли», его основные модули включают:
Модельная фабрика: без необходимости программирования можно использовать LoRA для дообучения и развертывания кастомизированных моделей на основе открытых LLM;
OpenLoRA: поддержка совместного использования тысяч моделей, динамическая загрузка по мере необходимости, значительное снижение затрат на развертывание;
PoA (Доказательство атрибуции): реализация измерения вклада и распределения вознаграждений через записи вызовов на блокчейне;
Datanets: структурированные сетевые данные для вертикальных сценариев, построенные и проверенные сообществом;
Платформа предложений моделей (Model Proposal Platform): комбинируемый, вызываемый и оплачиваемый рынок моделей на блокчейне.
С помощью вышеуказанных модулей OpenLedger построил «инфраструктуру экономики агентов», управляемую данными и комбинируемую по моделям, способствующую онлайнизации цепочки создания ценности AI.
А в применении технологий блокчейна OpenLedger использует OP Stack + EigenDA в качестве основы, создавая высокопроизводительную, низкозатратную и проверяемую среду для выполнения данных и контрактов для моделей ИИ.
Построено на OP Stack: основано на технологии Optimism, поддерживает высокую пропускную способность и низкие издержки на выполнение;
Расчет в основной сети Эфириума: Обеспечение безопасности транзакций и целостности активов;
EVM совместимость: удобно для разработчиков быстро развертывать и расширять на основе Solidity;
EigenDA предоставляет поддержку доступности данных: значительно снижает затраты на хранение и обеспечивает проверяемость данных.
По сравнению с такими более низкоуровневыми блокчейнами, как NEAR, которые акцентируют внимание на суверенитете данных и архитектуре «AI Agents on BOS», OpenLedger больше сосредоточен на создании специализированного блокчейна для AI, ориентированного на стимулы для данных и моделей, стремясь обеспечить возможность отслеживания, комбинирования и устойчивого ценностного замыкания разработки и вызова моделей на блокчейне. Это инфраструктура стимулов для моделей в мире Web3, которая сочетает в себе некоторые функции хостинга моделей, подобные платформам хостинга моделей, некоторые функции расчета использования, подобные платежным платформам, и некоторые интерфейсы комбинирования на блокчейне, подобные платформам инфраструктурных услуг, продвигая путь 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-f23f47f09226573b1fcacebdcfb8c1f3)
Три. Основные компоненты и техническая архитектура OpenLedger
3.1 Модельный завод, безкодовая модельная фабрика
ModelFactory является крупной платформой для дообучения языковых моделей (LLM) в экосистеме OpenLedger. В отличие от традиционных фреймворков дообучения, ModelFactory предоставляет чисто графический интерфейс, не требующий инструментов командной строки или интеграции API. Пользователи могут дообучать модели на основе данных, для которых завершено авторизованное и проверенное использование на OpenLedger. Реализован интегрированный рабочий процесс, включающий авторизацию данных, обучение моделей и развертывание, где ключевые этапы включают:
Контроль доступа к данным: Пользователь подает запрос на данные, поставщик проверяет и одобряет, данные автоматически подключаются к интерфейсу обучения модели.
Выбор и конфигурация модели: Поддержка популярных LLM (таких как LLaMA, Mistral), настройка гиперпараметров через GUI.
Легкая настройка: Встроенный движок LoRA / QLoRA, демонстрирующий прогресс обучения в реальном времени.
Оценка и развертывание модели: встроенные инструменты оценки, поддержка экспорта для развертывания или совместного использования в экосистеме.
Интерфейс проверки взаимодействия: предоставляет чат-интерфейс, удобный для прямого тестирования способностей модели к ответам на вопросы.
Генерация RAG отслеживания: Ответы с источниками ссылок, повышающие доверие и аудируемость.
Архитектура системы Model Factory включает шесть основных модулей, охватывающих идентификацию, управление данными, донастройку моделей, оценку и развертывание, а также RAG-отслеживание, создавая интегрированную модельную сервисную платформу с безопасным контролем, интерактивным взаимодействием и устойчивой монетизацией.
! [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)
Модельный завод в настоящее время поддерживает следующие возможности крупных языковых моделей:
Серия LLaMA: самый широкий экосистемы, активное сообщество, сильная общая производительность, одна 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 Alibaba, демонстрирует отличные результаты в китайских задачах, обладает высокой общей способностью, идеально подходит для отечественных разработчиков.
ChatGLM: выдаёт выдающиеся результаты на китайском языке, подходит для специализированного обслуживания клиентов и локализованных сценариев.
Deepseek: демонстрирует превосходство в генерации кода и математическом выводе, подходит для инструментов поддержки интеллектуальной разработки.
Gemma: Легкая модель, представленная Google, с четкой структурой, легко осваивается и подходит для быстрого эксперимента.
Falcon：Ранее 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 с охватом языков.
GPT-2: классическая ранняя модель, подходит только для учебных и верификационных целей, не рекомендуется для практического развертывания.
Хотя модельный набор OpenLedger не включает в себя последние высокопроизводительные модели MoE или мультимодальные модели, его стратегия не устарела, а основана на «приоритетном практическом» конфигурировании, сделанном с учетом реальных ограничений развертывания на блокчейне (стоимость вывода, адаптация RAG, совместимость LoRA, среда EVM).
Model Factory как инструмент без кода, все модели имеют встроенный механизм доказательства вклада, который обеспечивает права вкладчиков данных и разработчиков моделей, обладая низким порогом входа, возможностью монетизации и комбинирования, в сравнении с традиционными инструментами разработки моделей:
Для разработчиков: предоставление полного пути к инкубации, распространению и доходам моделей;
Для платформы: формирование модели обращения активов и комбинации экосистемы;
Для пользователей: можно комбинировать модели или агента так же, как вы вызываете 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-f49cfa5ea73fc0018250d04193b34b60)
3.2 OpenLoRA, активизация цепочных активов модели дообучения
LoRA (Low-Rank Adaptation) — это эффективный метод настройки параметров, который позволяет изучать 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 специфических задач (например, юридических вопросов, медицинских консультаций), необходимо провести настройку (fine-tuning). Основная стратегия LoRA заключается в следующем: «замораживать параметры оригинальной большой модели, обучая только вставленные новые матричные параметры». Она эффективна по параметрам, быстра в обучении и гибка в развертывании, что делает её наиболее подходящим методом для развертывания и комбинированного вызова моделей Web3.
OpenLoRA – это легковесный фреймворк для вывода, разработанный OpenLedger, специально созданный для развертывания нескольких моделей и совместного использования ресурсов. Его основной целью является решение распространенных проблем развертывания AI моделей, таких как высокие затраты, низкая повторная использование и неэффективное использование ресурсов GPU, а также содействие внедрению «платежеспособного ИИ» (Payable AI).
Ядро компонентов архитектуры системы OpenLoRA, основанное на модели
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» .
16 Лайков
Награда
16
5
Поделиться
комментарий
0/400
WenMoon
· 15ч назад
Чисто полагаться на вычислительную мощность, разве это не слишком примитивно?
Посмотреть ОригиналОтветить0
AltcoinMarathoner
· 15ч назад
вибрации 23 мили сейчас... это пространство переходит от сырой вычислительной мощности к модельному слою, как будто попадаешь в ту самую точку в марафоне, где стратегия > грубая сила
Посмотреть ОригиналОтветить0
DegenWhisperer
· 15ч назад
Конкуренция на нижнем уровне — это всё ложь.
Посмотреть ОригиналОтветить0
BlockchainFoodie
· 15ч назад
ммм, этот стек как идеальный рецепт... данные как ингредиенты, модели как кулинарная техника, вычисления как источник тепла... *поцелуй шефа*
OpenLedger строит AI экосистему в блокчейне: OP Stack + EigenDA база, которая управляет экономикой комбинируемых интеллектуальных агентов
Подробный исследовательский отчет по OpenLedger: Построение управляемой данными и компонуемой агентской экономикой на основе OP Stack+EigenDA
Один. Введение | Переход на уровень модели Crypto AI
Данные, модели и вычислительная мощность являются тремя основными элементами инфраструктуры ИИ, аналогично топливу (данные), двигателю (модель) и энергии (вычислительная мощность), которые необходимы друг другу. Подобно эволюционному пути инфраструктуры традиционной индустрии ИИ, область Crypto AI также прошла через аналогичные этапы. В начале 2024 года рынок на время находился под контролем децентрализованных GPU проектов ( некоторых децентрализованных платформ вычислительной мощности и т.д. ), которые в основном подчеркивали логику грубого роста «состязания вычислительной мощности». Однако с наступлением 2025 года внимание отрасли постепенно сместилось на уровень моделей и данных, что стало знаковым переходом Crypto AI от конкуренции за базовые ресурсы к более устойчивой и ценной с точки зрения применения среднесрочной структуре.
! [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)
Общие большие модели (LLM) против специализированных моделей (SLM)
Традиционные крупные языковые модели (LLM) в значительной степени зависят от больших наборов данных и сложной распределенной архитектуры, масштаб параметров обычно составляет от 70B до 500B, а стоимость одной тренировки часто достигает нескольких миллионов долларов. В то время как SLM (Специализированная языковая модель) является легковесной парадигмой тонкой настройки, основанной на многоразовой базовой модели, обычно на основе открытых моделей, таких как LLaMA, Mistral, DeepSeek, в сочетании с небольшим количеством качественных специализированных данных и технологиями LoRA, она быстро создает экспертные модели с определенными знаниями в конкретной области, что значительно снижает затраты на обучение и технические барьеры.
Стоит отметить, что SLM не будет интегрирован в веса LLM, а будет работать совместно с LLM через архитектуру агентом, динамическую маршрутизацию в системе плагинов, горячую замену модулей LoRA, RAG (усиленная генерация на основе поиска) и другие способы. Эта архитектура сохраняет широкие возможности LLM, а также усиливает профессиональные показатели за счет модулей тонкой настройки, формируя высоко гибкую комбинированную интеллектуальную систему.
Ценность и границы Crypto AI на уровне моделей
Крипто-AI проекты по своей сути трудно напрямую повысить основные возможности больших языковых моделей (LLM), основная причина в том, что
Однако на основе открытых моделей, проекты Crypto AI все еще могут реализовать расширение ценности через тонкую настройку специализированных языковых моделей (SLM) и сочетание верифицируемости и механизмов стимулирования Web3. В качестве «периферийного интерфейса» AI цепочки поставок это проявляется в двух основных направлениях:
Классификация типов моделей ИИ и анализ их применимости к блокчейну
Таким образом, можно увидеть, что жизнеспособные направления моделей типа Crypto AI в основном сосредоточены на легкой настройке небольших SLM, доступе к данным на цепочке и верификации архитектуры RAG, а также на локальном развертывании и стимулировании Edge моделей. С учетом проверяемости блокчейна и токеномики, Crypto может предложить уникальную ценность для этих сценариев моделей с низкими и средними ресурсами, формируя дифференцированную ценность «интерфейсного слоя» AI.
Блокчейн AI цепь, основанная на данных и моделях, может создавать четкие, неизменяемые записи о происхождении вклада каждой записи данных и модели, значительно повышая доверие к данным и прослеживаемость обучения модели. В то же время, благодаря механизму смарт-контрактов, при вызове данных или модели автоматически запускается распределение вознаграждений, превращая поведение AI в измеримую, торгуемую 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 децентрализованную управленческую структуру.
! [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)
Два, Обзор проекта | Визия AI-цепи OpenLedger
OpenLedger является одним из немногих блокчейн AI проектов на рынке, сосредоточенных на механизмах стимулирования данных и моделей. Он первым предложил концепцию «Payable AI», целью которой является создание справедливой, прозрачной и комбинируемой среды для работы AI, которая будет стимулировать участников данных, разработчиков моделей и создателей AI приложений сотрудничать на одной платформе и получать доходы в цепочке в зависимости от их реального вклада.
OpenLedger предоставляет полный замкнутый цикл от «предоставления данных» до «развертывания моделей» и «вызова распределения прибыли», его основные модули включают:
С помощью вышеуказанных модулей OpenLedger построил «инфраструктуру экономики агентов», управляемую данными и комбинируемую по моделям, способствующую онлайнизации цепочки создания ценности AI.
А в применении технологий блокчейна OpenLedger использует OP Stack + EigenDA в качестве основы, создавая высокопроизводительную, низкозатратную и проверяемую среду для выполнения данных и контрактов для моделей ИИ.
По сравнению с такими более низкоуровневыми блокчейнами, как NEAR, которые акцентируют внимание на суверенитете данных и архитектуре «AI Agents on BOS», OpenLedger больше сосредоточен на создании специализированного блокчейна для AI, ориентированного на стимулы для данных и моделей, стремясь обеспечить возможность отслеживания, комбинирования и устойчивого ценностного замыкания разработки и вызова моделей на блокчейне. Это инфраструктура стимулов для моделей в мире Web3, которая сочетает в себе некоторые функции хостинга моделей, подобные платформам хостинга моделей, некоторые функции расчета использования, подобные платежным платформам, и некоторые интерфейсы комбинирования на блокчейне, подобные платформам инфраструктурных услуг, продвигая путь 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-f23f47f09226573b1fcacebdcfb8c1f3)
Три. Основные компоненты и техническая архитектура OpenLedger
3.1 Модельный завод, безкодовая модельная фабрика
ModelFactory является крупной платформой для дообучения языковых моделей (LLM) в экосистеме OpenLedger. В отличие от традиционных фреймворков дообучения, ModelFactory предоставляет чисто графический интерфейс, не требующий инструментов командной строки или интеграции API. Пользователи могут дообучать модели на основе данных, для которых завершено авторизованное и проверенное использование на OpenLedger. Реализован интегрированный рабочий процесс, включающий авторизацию данных, обучение моделей и развертывание, где ключевые этапы включают:
Архитектура системы Model Factory включает шесть основных модулей, охватывающих идентификацию, управление данными, донастройку моделей, оценку и развертывание, а также RAG-отслеживание, создавая интегрированную модельную сервисную платформу с безопасным контролем, интерактивным взаимодействием и устойчивой монетизацией.
! [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)
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 «приоритетном практическом» конфигурировании, сделанном с учетом реальных ограничений развертывания на блокчейне (стоимость вывода, адаптация RAG, совместимость LoRA, среда EVM).
Model Factory как инструмент без кода, все модели имеют встроенный механизм доказательства вклада, который обеспечивает права вкладчиков данных и разработчиков моделей, обладая низким порогом входа, возможностью монетизации и комбинирования, в сравнении 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-f49cfa5ea73fc0018250d04193b34b60)
3.2 OpenLoRA, активизация цепочных активов модели дообучения
LoRA (Low-Rank Adaptation) — это эффективный метод настройки параметров, который позволяет изучать 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 специфических задач (например, юридических вопросов, медицинских консультаций), необходимо провести настройку (fine-tuning). Основная стратегия LoRA заключается в следующем: «замораживать параметры оригинальной большой модели, обучая только вставленные новые матричные параметры». Она эффективна по параметрам, быстра в обучении и гибка в развертывании, что делает её наиболее подходящим методом для развертывания и комбинированного вызова моделей Web3.
OpenLoRA – это легковесный фреймворк для вывода, разработанный OpenLedger, специально созданный для развертывания нескольких моделей и совместного использования ресурсов. Его основной целью является решение распространенных проблем развертывания AI моделей, таких как высокие затраты, низкая повторная использование и неэффективное использование ресурсов GPU, а также содействие внедрению «платежеспособного ИИ» (Payable AI).
Ядро компонентов архитектуры системы OpenLoRA, основанное на модели