OpenLedger Derinlik Araştırması: OP Stack+EigenDA tabanını kullanarak, veri odaklı, model kombinlenebilir bir akıllı ekonomi inşa etmek
Birinci Bölüm | Crypto AI'nın model katmanı geçişi
Veri, model ve hesaplama gücü, AI altyapısının üç temel unsurudur; yakıt (veri), motor (model), enerji (hesaplama gücü) birbirini tamamlar. Geleneksel AI endüstrisinin altyapı evrimi ile benzer bir yol izleyen Crypto AI alanı da benzer aşamalardan geçmiştir. 2024 yılının başlarında, piyasa bir süre merkeziyetsiz GPU projeleri tarafından domine edildi ( bazı merkeziyetsiz hesaplama platformları gibi ), genel olarak "hesaplama gücünü birleştirme" anlayışını vurguladı. Ancak 2025 yılına girildiğinde, sektörün ilgisi giderek model ve veri katmanına kaydı ve bu, Crypto AI'nin temel kaynak rekabetinden daha sürdürülebilir ve uygulama değeri olan orta katman inşasına geçişini simgeliyor.
Genel Büyük Model (LLM) vs Özelleşmiş Model (SLM)
Geleneksel büyük dil modellerinin (LLM) eğitimi, büyük ölçekli veri setlerine ve karmaşık dağıtık mimarilere yüksek derecede bağımlıdır; parametre ölçekleri genellikle 70B ile 500B arasında değişmektedir ve bir kez eğitilmesinin maliyeti genellikle milyonlarca dolara ulaşmaktadır. SLM (Özelleşmiş Dil Modeli) ise, yeniden kullanılabilir temel modellerin hafif ince ayar paradigması olarak, genellikle LLaMA, Mistral, DeepSeek gibi açık kaynaklı modelleri temel alarak, az sayıda yüksek kaliteli uzman verisi ve LoRA gibi teknolojilerle bir araya gelerek, belirli bir alan bilgisine sahip uzman modelleri hızla inşa etmekte, eğitim maliyetlerini ve teknik engelleri önemli ölçüde azaltmaktadır.
Dikkate değer olan, SLM'nin LLM ağırlıklarına entegre edilmeyeceği, bunun yerine Agent mimarisi çağrıları, eklenti sistemi dinamik yönlendirme, LoRA modülü sıcak takibi, RAG (alım artırımlı üretim) gibi yöntemlerle LLM ile işbirliği içinde çalışacağıdır. Bu mimari, LLM'nin geniş kapsama yeteneğini korurken, ince ayar modülleriyle profesyonel performansı artırarak yüksek derecede esnek bir kombinasyon akıllı sistem oluşturmuştur.
Crypto AI'nin model katmanındaki değeri ve sınırları
Kripto AI projeleri, esasen büyük dil modellerinin (LLM) temel yeteneklerini doğrudan artırmakta zorluk çekmektedir, bunun temel nedeni şudur:
Teknolojik engeller çok yüksek: Foundation Model'i eğitmek için gereken veri ölçeği, hesaplama kaynakları ve mühendislik yetenekleri son derece büyüktür; şu anda sadece Amerika (OpenAI vb.) ve Çin (DeepSeek vb.) gibi teknoloji devleri bu yeteneklere sahiptir.
Açık kaynak ekosisteminin sınırlamaları: Ana akım temel modeller olan LLaMA ve Mixtral açık kaynak olsa da, model yeniliklerini gerçekten teşvik eden anahtar hala araştırma kuruluşları ve kapalı kaynak mühendislik sistemlerinde yoğunlaşıyor; zincir üzerindeki projelerin temel model katmanında katılım alanı sınırlıdır.
Ancak, açık kaynak temel modellerin üzerine, Crypto AI projeleri hâlâ özel dil modellerinin (SLM) ince ayarını yaparak ve Web3'ün doğrulanabilirliği ile teşvik mekanizmalarını birleştirerek değer uzantısı gerçekleştirebilir. AI endüstri zincirinin "kenar arayüz katmanı" olarak, iki temel yönü yansıtmaktadır:
Güvenilir doğrulama katmanı: Modelin oluşturulma yolu, veri katkısı ve kullanım durumunu zincir üzerindeki kayıtlarla takip ederek, AI çıktısının izlenebilirliğini ve değiştirilemezlik kapasitesini artırır.
Teşvik Mekanizması: Yerel Token yardımıyla, veri yükleme, model çağrısı, ajan (Agent) yürütme gibi eylemleri teşvik etmek için model eğitimi ve hizmetlerin olumlu bir döngüsünü kurma.
AI model türleri sınıflandırması ve blockchain uygunluk analizi
Bundan görülebileceği gibi, model türü Crypto AI projelerinin uygulanabilir noktaları esas olarak küçük SLM'nin hafif ince ayarı, RAG mimarisinin zincir üzerindeki veri girişi ve doğrulaması ile Edge modelinin yerel dağıtımı ve teşviki üzerinde yoğunlaşmaktadır. Blok zincirinin doğrulanabilirliği ve token mekanizması ile birlikte, Crypto bu orta ve düşük kaynaklı model senaryolarına özel bir değer sunarak AI "arayüz katmanı" için farklılaştırılmış bir değer oluşturabilir.
Veri ve model tabanlı blockchain AI ağı, her bir veri ve model katkısının kaynağını net, değiştirilemez bir şekilde zincirleme kaydetmeye olanak tanır, veri güvenilirliğini ve model eğitiminin izlenebilirliğini önemli ölçüde artırır. Aynı zamanda, akıllı sözleşme mekanizması aracılığıyla, veri veya model çağrıldığında otomatik olarak ödül dağıtımını tetikler, AI davranışını ölçülebilir, ticarete konu olabilen tokenleştirilmiş bir değere dönüştürerek sürdürülebilir bir teşvik sistemi oluşturur. Ayrıca, topluluk kullanıcıları tokenler aracılığıyla model performansını değerlendirebilir, kuralların belirlenmesi ve yineleme sürecine katılabilir, merkeziyetsiz yönetim yapısını geliştirebilir.
İki, Proje Özeti | OpenLedger'in AI zincir vizyonu
OpenLedger, veri ve model teşvik mekanizmalarına odaklanan mevcut pazardaki az sayıdaki blockchain AI projelerinden biridir. "Ödenebilir AI" kavramını ilk ortaya atan proje olarak, adil, şeffaf ve birleştirilebilir bir AI çalışma ortamı oluşturmayı hedefliyor. Veri katkıcıları, model geliştiriciler ve AI uygulama geliştiricilerinin aynı platformda işbirliği yapmasını teşvik eder ve gerçek katkılara göre zincir üzerindeki kazançları elde etmelerini sağlar.
OpenLedger, "veri sağlama"dan "model dağıtım"ına ve "kâr paylaşımının çağrılmasına" kadar tüm süreçleri kapsayan kapalı bir döngü sunmaktadır. Temel modülleri şunlardır:
Model Fabrikası: Programlama gerektirmeden, açık kaynak LLM'ye dayalı olarak LoRA ile ince ayar yaparak özel modelleri eğitip dağıtabilirsiniz;
OpenLoRA: Binlerce modelin birlikte varlığını destekler, ihtiyaca göre dinamik yükleme yapar, dağıtım maliyetlerini önemli ölçüde azaltır;
PoA (Atıf Kanıtı): Zincir üzerindeki çağrı kayıtları aracılığıyla katkı ölçümü ve ödül dağılımı sağlanır;
Datanets: Dikey senaryolara yönelik yapılandırılmış veri ağı, topluluk işbirliği ile inşa ve doğrulanır;
Model Teklif Platformu (Model Proposal Platform): Birleştirilebilir, çağrılabilir ve ödenebilir zincir üzerindeki model pazarı.
Yukarıdaki modüller aracılığıyla, OpenLedger veri odaklı, model kombinasyonuna sahip bir "akıllı varlık ekonomisi altyapısı" inşa etti ve AI değer zincirinin zincir üstü hale gelmesini sağladı.
Ve blok zinciri teknolojisinin benimsenmesinde, OpenLedger, OP Stack + EigenDA'yı temel alarak, AI modelleri için yüksek performanslı, düşük maliyetli ve doğrulanabilir bir veri ve sözleşme çalışma ortamı oluşturmuştur.
OP Stack üzerine inşa edilmiştir: Optimism teknoloji yığınına dayanarak, yüksek işlem hacmi ve düşük maliyetli yürütmeyi destekler;
Ethereum ana ağında işlem yapmak: İşlem güvenliğini ve varlık bütünlüğünü sağlamak;
EVM uyumlu: Geliştiricilerin Solidity tabanlı hızlı dağıtım ve genişletme yapmasını kolaylaştırır;
EigenDA, veri kullanılabilirliği desteği sağlar: depolama maliyetlerini önemli ölçüde azaltır, verilerin doğrulanabilirliğini güvence altına alır.
NEAR gibi daha çok temel düzeyde olan ve veri egemenliğine odaklanan genel amaçlı AI zincirinin yanı sıra, OpenLedger daha çok veri ve model teşviklerine yönelik AI özel zincirleri inşa etmeye odaklanmaktadır. Model geliştirme ve çağırma işlemlerinin zincir üzerinde izlenebilir, birleştirilebilir ve sürdürülebilir bir değer döngüsü oluşturmasını sağlamayı hedeflemektedir. Web3 dünyasında model teşvik altyapısı olarak, bazı model barındırma platformlarına benzer model barındırma, bazı ödeme platformlarına benzer kullanım ücretlendirmesi ve bazı blockchain altyapı hizmet platformlarına benzer zincir üzerinde birleştirilebilir arabirimleri bir araya getirerek "model varlıktır" anlayışının gerçekleştirilmesine katkıda bulunmaktadır.
Üç, OpenLedger'in temel bileşenleri ve teknik mimarisi
3.1 Model Fabrikası, kodsuz model fabrikası
ModelFactory, OpenLedger ekosisteminde yer alan büyük bir dil modeli (LLM) ince ayar platformudur. Geleneksel ince ayar çerçevelerinin aksine, ModelFactory tamamen grafik arayüzü ile işlem yapar, komut satırı araçlarına veya API entegrasyonuna ihtiyaç duymaz. Kullanıcılar, OpenLedger üzerinde yetkilendirilmiş ve onaylanmış veri kümeleri temelinde modeli ince ayar yapabilirler. Veri yetkilendirmesi, model eğitimi ve dağıtımı için entegre bir iş akışı sağlanmıştır, ana süreçler şunları içerir:
Veri erişim kontrolü: Kullanıcı veri talebinde bulunur, sağlayıcı onaylar, veri otomatik olarak model eğitim arayüzüne entegre edilir.
Model Seçimi ve Yapılandırması: Ana akım LLM'leri (örneğin LLaMA, Mistral) destekler, GUI aracılığıyla hiperparametreleri yapılandırır.
Hafifletilmiş ince ayar: Yerleşik LoRA / QLoRA motoru, eğitim ilerlemesini gerçek zamanlı olarak gösterir.
Model değerlendirme ve dağıtım: Yerleşik değerlendirme araçları, dağıtım veya ekosistem paylaşım çağrısını dışa aktarmayı destekler.
Etkileşimli doğrulama arayüzü: Modelin soru-cevap yeteneğini doğrudan test etmek için sohbet tarzı bir arayüz sağlar.
RAG üretim izleme: Kaynak atıfları ile yanıt vererek güveni ve denetlenebilirliği artırır.
Model Factory sistem mimarisi, kimlik doğrulama, veri yetkilendirme, model ince ayarı, değerlendirme dağıtımı ve RAG izlenebilirliği ile bütünleşik bir model hizmeti platformu oluşturmak için altı ana modülü içermektedir; güvenli, kontrollü, gerçek zamanlı etkileşimli ve sürdürülebilir bir şekilde gelir elde etme imkanı sunmaktadır.
ModelFactory şu anda desteklenen büyük dil modeli yeteneklerinin kısa bir özeti aşağıdadır:
LLaMA Serisi: En geniş ekosistem, aktif topluluk, genel performansı güçlü, şu anda en yaygın açık kaynak temel modellerden biridir.
Mistral: Yapı verimli, çıkarım performansı mükemmel, esnek dağıtım ve sınırlı kaynaklar için uygun.
Qwen: Alibaba ürünü, Çince görev performansı mükemmel, genel yetenekleri güçlü, yerli geliştiriciler için ilk tercihtir.
ChatGLM: Çince konuşma etkisi belirgin, dikey müşteri hizmetleri ve yerelleştirilmiş senaryolar için uygundur.
Deepseek: Kod üretimi ve matematiksel akıl yürütmede üstün performans gösterir, akıllı geliştirme yardımcı araçları için uygundur.
Gemma: Google tarafından sunulan hafif bir model, yapısı net, hızlı bir şekilde kavranması ve deney yapılması kolay.
Falcon: Performans ölçütüydü, temel araştırmalar veya karşılaştırmalı testler için uygundur, ancak topluluk etkinliği azalmıştır.
BLOOM: Çok dilli destek oldukça güçlü, ancak çıkarım performansı zayıf, dil kapsama araştırmaları için uygundur.
GPT-2: Klasik erken dönem model, yalnızca eğitim ve doğrulama amaçları için uygundur, gerçek dağıtım için önerilmez.
OpenLedger'in model kombinasyonu en son yüksek performanslı MoE modellerini veya çok modlu modelleri içermese de, stratejisi geride kalmış değil; aksine, zincir üzerindeki dağıtımın gerçek kısıtlamaları (çıkarım maliyeti, RAG uyumu, LoRA uyumluluğu, EVM ortamı) temel alınarak yapılan "pragmatik öncelikli" konfigürasyondur.
Model Factory, kodsuz bir araç zinciri olarak, tüm modeller katkı kanıtlama mekanizması ile entegre edilmiştir ve bu, veri katkı sağlayıcılarının ve model geliştiricilerinin haklarını güvence altına alır. Düşük giriş engeli, paraya dönüştürülebilirlik ve birleştirilebilirlik gibi avantajlara sahiptir ve geleneksel model geliştirme araçları ile karşılaştırıldığında:
Geliştiriciler için: Model kuluçkası, dağıtımı ve gelir için tam bir yol sunar;
Platform için: Model varlık dolaşımı ve kombinasyon ekosistemi oluşturma;
Uygulayıcılar için: Modelleri veya Ajanları API çağrısı yapar gibi birleştirerek kullanabilirsiniz.
3.2 OpenLoRA, ince ayar modelinin zincir üzerindeki varlıklaştırılması
LoRA (Düşük Sıralı Uyum) verimli bir parametre ince ayar yöntemidir; önceden eğitilmiş büyük modelde "düşük sıralı matris" ekleyerek yeni görevleri öğrenir, orijinal model parametrelerini değiştirmeden, böylece eğitim maliyetlerini ve depolama gereksinimlerini önemli ölçüde azaltır. Geleneksel büyük dil modelleri (LLaMA, GPT-3 gibi) genellikle on milyarlarca hatta yüz milyarlarca parametreye sahiptir. Belirli görevlerde (hukuk soruları, tıbbi danışmanlık gibi) kullanılabilmesi için ince ayar yapılması gerekir. LoRA'nın temel stratejisi: "Orijinal büyük model parametrelerini dondurmak, yalnızca eklenen yeni parametre matrisini eğitmek." Parametre verimliliği, hızlı eğitimi ve esnek dağıtımı ile Web3 model dağıtımı ve bileşen çağrıları için en uygun ana akım ince ayar yöntemidir.
OpenLoRA, OpenLedger tarafından oluşturulan, çoklu model dağıtımı ve kaynak paylaşımı için özel olarak tasarlanmış hafif bir çıkarım çerçevesidir. Temel hedefi, mevcut AI model dağıtımında yaygın olan yüksek maliyet, düşük yeniden kullanım, GPU kaynak israfı gibi sorunları çözmek ve "ödenebilir AI" (Payable AI) uygulamasını teşvik etmektir.
OpenLoRA sistem mimarisinin temel bileşeni, modüler olarak
This page may contain third-party content, which is provided for information purposes only (not representations/warranties) and should not be considered as an endorsement of its views by Gate, nor as financial or professional advice. See Disclaimer for details.
16 Likes
Reward
16
5
Share
Comment
0/400
WenMoon
· 15h ago
Sadece bilgi işlem gücüyle bu kadar basit değil mi?
View OriginalReply0
AltcoinMarathoner
· 15h ago
mil 23 hissiyatı rn... bu alanın ham hesaplamadan model katmanına geçişi, tam bir maratonda stratejinin > kaba gücün ön plana çıktığı o tatlı noktayı vurmak gibi
View OriginalReply0
DegenWhisperer
· 15h ago
Temel rekabet hepsi sahte.
View OriginalReply0
BlockchainFoodie
· 15h ago
mmm bu yığın mükemmel bir tarif gibi... veri malzemeler, modeller pişirme tekniği, hesaplama ısı kaynağı... *şefin öpücüğü*
OpenLedger, AI on-chain ekosistemi inşa ediyor: OP Stack + EigenDA tabanı, model kombinlenebilir akıllı ajan ekonomisini yönlendiriyor.
OpenLedger Derinlik Araştırması: OP Stack+EigenDA tabanını kullanarak, veri odaklı, model kombinlenebilir bir akıllı ekonomi inşa etmek
Birinci Bölüm | Crypto AI'nın model katmanı geçişi
Veri, model ve hesaplama gücü, AI altyapısının üç temel unsurudur; yakıt (veri), motor (model), enerji (hesaplama gücü) birbirini tamamlar. Geleneksel AI endüstrisinin altyapı evrimi ile benzer bir yol izleyen Crypto AI alanı da benzer aşamalardan geçmiştir. 2024 yılının başlarında, piyasa bir süre merkeziyetsiz GPU projeleri tarafından domine edildi ( bazı merkeziyetsiz hesaplama platformları gibi ), genel olarak "hesaplama gücünü birleştirme" anlayışını vurguladı. Ancak 2025 yılına girildiğinde, sektörün ilgisi giderek model ve veri katmanına kaydı ve bu, Crypto AI'nin temel kaynak rekabetinden daha sürdürülebilir ve uygulama değeri olan orta katman inşasına geçişini simgeliyor.
Genel Büyük Model (LLM) vs Özelleşmiş Model (SLM)
Geleneksel büyük dil modellerinin (LLM) eğitimi, büyük ölçekli veri setlerine ve karmaşık dağıtık mimarilere yüksek derecede bağımlıdır; parametre ölçekleri genellikle 70B ile 500B arasında değişmektedir ve bir kez eğitilmesinin maliyeti genellikle milyonlarca dolara ulaşmaktadır. SLM (Özelleşmiş Dil Modeli) ise, yeniden kullanılabilir temel modellerin hafif ince ayar paradigması olarak, genellikle LLaMA, Mistral, DeepSeek gibi açık kaynaklı modelleri temel alarak, az sayıda yüksek kaliteli uzman verisi ve LoRA gibi teknolojilerle bir araya gelerek, belirli bir alan bilgisine sahip uzman modelleri hızla inşa etmekte, eğitim maliyetlerini ve teknik engelleri önemli ölçüde azaltmaktadır.
Dikkate değer olan, SLM'nin LLM ağırlıklarına entegre edilmeyeceği, bunun yerine Agent mimarisi çağrıları, eklenti sistemi dinamik yönlendirme, LoRA modülü sıcak takibi, RAG (alım artırımlı üretim) gibi yöntemlerle LLM ile işbirliği içinde çalışacağıdır. Bu mimari, LLM'nin geniş kapsama yeteneğini korurken, ince ayar modülleriyle profesyonel performansı artırarak yüksek derecede esnek bir kombinasyon akıllı sistem oluşturmuştur.
Crypto AI'nin model katmanındaki değeri ve sınırları
Kripto AI projeleri, esasen büyük dil modellerinin (LLM) temel yeteneklerini doğrudan artırmakta zorluk çekmektedir, bunun temel nedeni şudur:
Ancak, açık kaynak temel modellerin üzerine, Crypto AI projeleri hâlâ özel dil modellerinin (SLM) ince ayarını yaparak ve Web3'ün doğrulanabilirliği ile teşvik mekanizmalarını birleştirerek değer uzantısı gerçekleştirebilir. AI endüstri zincirinin "kenar arayüz katmanı" olarak, iki temel yönü yansıtmaktadır:
AI model türleri sınıflandırması ve blockchain uygunluk analizi
Bundan görülebileceği gibi, model türü Crypto AI projelerinin uygulanabilir noktaları esas olarak küçük SLM'nin hafif ince ayarı, RAG mimarisinin zincir üzerindeki veri girişi ve doğrulaması ile Edge modelinin yerel dağıtımı ve teşviki üzerinde yoğunlaşmaktadır. Blok zincirinin doğrulanabilirliği ve token mekanizması ile birlikte, Crypto bu orta ve düşük kaynaklı model senaryolarına özel bir değer sunarak AI "arayüz katmanı" için farklılaştırılmış bir değer oluşturabilir.
Veri ve model tabanlı blockchain AI ağı, her bir veri ve model katkısının kaynağını net, değiştirilemez bir şekilde zincirleme kaydetmeye olanak tanır, veri güvenilirliğini ve model eğitiminin izlenebilirliğini önemli ölçüde artırır. Aynı zamanda, akıllı sözleşme mekanizması aracılığıyla, veri veya model çağrıldığında otomatik olarak ödül dağıtımını tetikler, AI davranışını ölçülebilir, ticarete konu olabilen tokenleştirilmiş bir değere dönüştürerek sürdürülebilir bir teşvik sistemi oluşturur. Ayrıca, topluluk kullanıcıları tokenler aracılığıyla model performansını değerlendirebilir, kuralların belirlenmesi ve yineleme sürecine katılabilir, merkeziyetsiz yönetim yapısını geliştirebilir.
İki, Proje Özeti | OpenLedger'in AI zincir vizyonu
OpenLedger, veri ve model teşvik mekanizmalarına odaklanan mevcut pazardaki az sayıdaki blockchain AI projelerinden biridir. "Ödenebilir AI" kavramını ilk ortaya atan proje olarak, adil, şeffaf ve birleştirilebilir bir AI çalışma ortamı oluşturmayı hedefliyor. Veri katkıcıları, model geliştiriciler ve AI uygulama geliştiricilerinin aynı platformda işbirliği yapmasını teşvik eder ve gerçek katkılara göre zincir üzerindeki kazançları elde etmelerini sağlar.
OpenLedger, "veri sağlama"dan "model dağıtım"ına ve "kâr paylaşımının çağrılmasına" kadar tüm süreçleri kapsayan kapalı bir döngü sunmaktadır. Temel modülleri şunlardır:
Yukarıdaki modüller aracılığıyla, OpenLedger veri odaklı, model kombinasyonuna sahip bir "akıllı varlık ekonomisi altyapısı" inşa etti ve AI değer zincirinin zincir üstü hale gelmesini sağladı.
Ve blok zinciri teknolojisinin benimsenmesinde, OpenLedger, OP Stack + EigenDA'yı temel alarak, AI modelleri için yüksek performanslı, düşük maliyetli ve doğrulanabilir bir veri ve sözleşme çalışma ortamı oluşturmuştur.
NEAR gibi daha çok temel düzeyde olan ve veri egemenliğine odaklanan genel amaçlı AI zincirinin yanı sıra, OpenLedger daha çok veri ve model teşviklerine yönelik AI özel zincirleri inşa etmeye odaklanmaktadır. Model geliştirme ve çağırma işlemlerinin zincir üzerinde izlenebilir, birleştirilebilir ve sürdürülebilir bir değer döngüsü oluşturmasını sağlamayı hedeflemektedir. Web3 dünyasında model teşvik altyapısı olarak, bazı model barındırma platformlarına benzer model barındırma, bazı ödeme platformlarına benzer kullanım ücretlendirmesi ve bazı blockchain altyapı hizmet platformlarına benzer zincir üzerinde birleştirilebilir arabirimleri bir araya getirerek "model varlıktır" anlayışının gerçekleştirilmesine katkıda bulunmaktadır.
Üç, OpenLedger'in temel bileşenleri ve teknik mimarisi
3.1 Model Fabrikası, kodsuz model fabrikası
ModelFactory, OpenLedger ekosisteminde yer alan büyük bir dil modeli (LLM) ince ayar platformudur. Geleneksel ince ayar çerçevelerinin aksine, ModelFactory tamamen grafik arayüzü ile işlem yapar, komut satırı araçlarına veya API entegrasyonuna ihtiyaç duymaz. Kullanıcılar, OpenLedger üzerinde yetkilendirilmiş ve onaylanmış veri kümeleri temelinde modeli ince ayar yapabilirler. Veri yetkilendirmesi, model eğitimi ve dağıtımı için entegre bir iş akışı sağlanmıştır, ana süreçler şunları içerir:
Model Factory sistem mimarisi, kimlik doğrulama, veri yetkilendirme, model ince ayarı, değerlendirme dağıtımı ve RAG izlenebilirliği ile bütünleşik bir model hizmeti platformu oluşturmak için altı ana modülü içermektedir; güvenli, kontrollü, gerçek zamanlı etkileşimli ve sürdürülebilir bir şekilde gelir elde etme imkanı sunmaktadır.
ModelFactory şu anda desteklenen büyük dil modeli yeteneklerinin kısa bir özeti aşağıdadır:
OpenLedger'in model kombinasyonu en son yüksek performanslı MoE modellerini veya çok modlu modelleri içermese de, stratejisi geride kalmış değil; aksine, zincir üzerindeki dağıtımın gerçek kısıtlamaları (çıkarım maliyeti, RAG uyumu, LoRA uyumluluğu, EVM ortamı) temel alınarak yapılan "pragmatik öncelikli" konfigürasyondur.
Model Factory, kodsuz bir araç zinciri olarak, tüm modeller katkı kanıtlama mekanizması ile entegre edilmiştir ve bu, veri katkı sağlayıcılarının ve model geliştiricilerinin haklarını güvence altına alır. Düşük giriş engeli, paraya dönüştürülebilirlik ve birleştirilebilirlik gibi avantajlara sahiptir ve geleneksel model geliştirme araçları ile karşılaştırıldığında:
3.2 OpenLoRA, ince ayar modelinin zincir üzerindeki varlıklaştırılması
LoRA (Düşük Sıralı Uyum) verimli bir parametre ince ayar yöntemidir; önceden eğitilmiş büyük modelde "düşük sıralı matris" ekleyerek yeni görevleri öğrenir, orijinal model parametrelerini değiştirmeden, böylece eğitim maliyetlerini ve depolama gereksinimlerini önemli ölçüde azaltır. Geleneksel büyük dil modelleri (LLaMA, GPT-3 gibi) genellikle on milyarlarca hatta yüz milyarlarca parametreye sahiptir. Belirli görevlerde (hukuk soruları, tıbbi danışmanlık gibi) kullanılabilmesi için ince ayar yapılması gerekir. LoRA'nın temel stratejisi: "Orijinal büyük model parametrelerini dondurmak, yalnızca eklenen yeni parametre matrisini eğitmek." Parametre verimliliği, hızlı eğitimi ve esnek dağıtımı ile Web3 model dağıtımı ve bileşen çağrıları için en uygun ana akım ince ayar yöntemidir.
OpenLoRA, OpenLedger tarafından oluşturulan, çoklu model dağıtımı ve kaynak paylaşımı için özel olarak tasarlanmış hafif bir çıkarım çerçevesidir. Temel hedefi, mevcut AI model dağıtımında yaygın olan yüksek maliyet, düşük yeniden kullanım, GPU kaynak israfı gibi sorunları çözmek ve "ödenebilir AI" (Payable AI) uygulamasını teşvik etmektir.
OpenLoRA sistem mimarisinin temel bileşeni, modüler olarak