Isang decentralizad na AI project ay natutunan nang mahirap na sobrang magaling ang crypto community sa pag-check ng receipts. Ang Quasar, na gumagana bilang Subnet 24 sa Bittensor network, ay inilabas ang isang modelo na may 120 bilyong parameter at 5 milyong token context window na itinuturing nilang groundbreaking. Sa loob ng ilang oras, natuklasan ng mga independiyenteng researcher na halos 96-98% ng weights nito ay halos magkakapareho sa isang umiiral na modelo mula sa Ant Group.
Ang epekto ay mabilis. Bumaba ang SN24 alpha token ng humigit-kumulang 70-75% sa isang sesyon ng pagtinda.
Ang modelo at ang pagkakaiba
Ang Quasar, na pinangunahan ng SILX AI, ay nagtatagpo sa sandaling ito mula pa noong ilang buwan. Ipinakilala ng proyekto ang Quasar-Preview, isang modelong may halos 20 bilyon na kabuuang parameter, at ang Quasar-3B noong Abril 2026. Parehong itinuturing na mga hakbang patungo sa isang mas malaking modelong itinuturo buong-buo sa pamamagitan ng decentralizadong paraan sa Bittensor network.
Dapat na ang paglabas ng 120B ay ang kapalit. Pinamarka ng SILX AI ang modelo bilang isang tagumpay ng decentralized training, kasama ang mga pinangako na arkitektural na inobasyon tulad ng isang “Loop Transformer” at “Engram memory.” Ang mga tampok na ito ay dapat na lutasin ang mga problema sa memorya at coherence na nagpapahirap sa mga karaniwang transformer architecture habang hinihawakan ang napakalalim na konteksto.
Kapag sinuri ng mga independiyenteng analista ang mga aktwal na timbang ng modelo, ang mga bagong arkitekturang tampok ay karamihan ay nawala. Sa halip, ipinakita ng pagsusuri na ang karamihan sa mga timbang, sa pagitan ng 96% at 98%, ay malapit na tumutugma sa modelo ng Ant Group na Ling-mini-base-2.0.
Bakit ito mahalaga para sa ecosystem ng Bittensor
Ang Bittensor ay gumagana sa isang pangunahing iba’t ibang prinsipyo kaysa sa karamihan sa mga crypto project. Ang network nito ay nagbibigay-insentibo sa decentralizadong machine intelligence sa pamamagitan ng kompetitibong mining at validation, kung saan ang iba’t ibang subnet ay nakatuon sa iba’t ibang AI task. Ang pagkakatuon ng Subnet 24 ay nasa pagbuo ng long-context foundation models, ang uri ng AI na kayang i-process at i-reason sa malalaking dokumento nang hindi nawawala ang koneksyon.
Ang SILX AI ay ipinagmalaki ang ambisyosong pananaw para sa kinabukasan ng Quasar, kabilang ang target na 10 trilyon na mga token sa kabuuang pagtuturo at nag-claim na ang mga paraan ng decentralized training ay maaaring bawasan ang gastos ng 99.5% kumpara sa tradisyonal na sentralisadong mga paraan.
Ang pagbaba ng token at ang epekto sa mga investor
Hindi naghintay ang mga merkado sa mga paliwanag. Ang pagbaba ng 70-75% ng SN24 alpha token sa isang sesyon ay ang uri ng pagbaba na karaniwang kasama ang mga alalahanin tungkol sa pandaraya o pag-exploit ng protokolo, hindi mga pagtalakay tungkol sa arkitektura ng modelo.
Ang pagkakaiba sa pagitan ng mga pinangako sa arkitektura, kabilang ang Loop Transformer at Engram memory, at ang talagang nadala sa mga timbang ng modelo ay sobrang malaki upang masagot lamang sa pamamagitan ng marketing.