Un proyecto de IA descentralizado acaba de aprender de manera difícil que la comunidad cripto es muy buena verificando los comprobantes. Quasar, operando como Subred 24 en la red Bittensor, lanzó lo que llamó un modelo revolucionario de 120 mil millones de parámetros con una ventana de contexto de 5 millones de tokens. En cuestión de horas, investigadores independientes descubrieron que aproximadamente el 96-98% de sus pesos eran casi idénticos a un modelo existente de Ant Group.
El impacto fue rápido. El token SN24 alpha cayó aproximadamente un 70-75% en una sola sesión de trading.
El modelo y la discrepancia
Quasar, liderado por SILX AI, había estado preparándose para este momento durante meses. El proyecto lanzó Quasar-Preview, un modelo con aproximadamente 20 mil millones de parámetros totales, y Quasar-3B en abril de 2026. Ambos se posicionaron como pasos intermedios hacia un modelo mucho más grande entrenado completamente mediante métodos descentralizados en la red Bittensor.
El lanzamiento del 120B se suponía que sería la recompensa. SILX AI promocionó el modelo como un triunfo del entrenamiento descentralizado, con innovaciones arquitectónicas prometidas como algo llamado “Loop Transformer” y “memoria Engram”. Estas características estaban destinadas a resolver los problemas de memoria y coherencia que afectan a las arquitecturas de transformadores estándar al manejar contextos extremadamente largos.
Cuando analistas independientes examinaron los pesos reales del modelo, esas características arquitectónicas novedosas estaban en gran medida ausentes. En cambio, el análisis reveló que la abrumadora mayoría de los pesos, entre el 96% y el 98%, coincidían estrechamente con el modelo Ling-mini-base-2.0 de Ant Group.
Por qué esto importa para el ecosistema de Bittensor
Bittensor opera bajo una premisa fundamentalmente diferente a la mayoría de los proyectos de criptomoneda. Su red incentiva la inteligencia machine descentralizada mediante minería y validación competitivas, donde diferentes subredes se enfocan en distintas tareas de IA. El enfoque de la subred 24 ha sido desarrollar modelos base de contexto largo, el tipo de IA que puede procesar y razonar sobre documentos masivos sin perder el hilo.
SILX AI ha promovido una visión ambiciosa para el futuro de Quasar, incluyendo una meta de 10 billones de tokens en capacitación total y afirma que los métodos de capacitación descentralizados pueden reducir los costos en un 99,5% en comparación con los enfoques centralizados convencionales.
El colapso del token y la caída de los inversores
Los mercados no esperaron explicaciones. La caída del 70-75% del token SN24 en una sola sesión es el tipo de caída que normalmente acompaña acusaciones de fraude o explotaciones de protocolo, no debates sobre arquitectura de modelos.
La brecha entre lo prometido arquitectónicamente, incluyendo el Loop Transformer y la memoria Engram, y lo realmente entregado en los pesos del modelo es demasiado amplia como para cubrirla solo con marketing.