Model AI Quasar dengan 120 miliar parameter menghadapi pemeriksaan atas asal-usul pelatihan

Proyek AI terdesentralisasi baru saja belajar dengan cara sulit bahwa komunitas kripto sangat ahli dalam memeriksa bukti. Quasar, yang beroperasi sebagai Subnet 24 di jaringan Bittensor, merilis apa yang disebutnya sebagai model berparameter 120 miliar dengan jendela konteks 5 juta token. Dalam hitungan jam, peneliti independen menemukan bahwa sekitar 96-98% bobotnya hampir identik dengan model yang sudah ada dari Ant Group.

Dampaknya cepat. Token alpha SN24 anjlok sekitar 70-75% dalam satu sesi perdagangan.

Quasar, yang dipimpin oleh SILX AI, telah membangun menuju momen ini selama berbulan-bulan. Proyek ini merilis Quasar-Preview, sebuah model dengan sekitar 20 miliar parameter total, dan Quasar-3B pada April 2026. Keduanya diposisikan sebagai langkah-langkah menuju model yang jauh lebih besar yang dilatih sepenuhnya melalui metode terdesentralisasi di jaringan Bittensor.

Rilis 120B seharusnya menjadi hasilnya. SILX AI memasarkan model ini sebagai kemenangan pelatihan terdesentralisasi, lengkap dengan inovasi arsitektur yang dijanjikan seperti sesuatu yang disebut “Loop Transformer” dan “memori Engram.” Fitur-fitur ini dimaksudkan untuk menyelesaikan masalah memori dan koherensi yang menghantui arsitektur transformer standar saat menangani konteks yang sangat panjang.

Ketika analis independen meneliti bobot model sebenarnya, fitur arsitektur baru tersebut sebagian besar tidak ditemukan. Sebaliknya, analisis mengungkapkan bahwa sebagian besar bobot, sekitar 96% hingga 98%, sangat mirip dengan model Ling-mini-base-2.0 dari Ant Group.

Bittensor beroperasi dengan premis yang secara fundamental berbeda dari sebagian besar proyek kripto. Jaringannya memberikan insentif kepada kecerdasan mesin terdesentralisasi melalui penambangan dan validasi kompetitif, di mana subnet-subnet berbeda fokus pada tugas-tugas AI yang berbeda. Fokus Subnet 24 telah pada pengembangan model fondasi konteks panjang, jenis AI yang dapat memproses dan bernalar atas dokumen-dokumen besar tanpa kehilangan alur.

SILX AI telah mempromosikan visi ambisius untuk masa depan Quasar, termasuk target 10 triliun token dalam pelatihan total dan menyatakan bahwa metode pelatihan terdesentralisasi dapat mengurangi biaya hingga 99,5% dibandingkan pendekatan terpusat konvensional.

Pasar tidak menunggu penjelasan. Penurunan token alpha SN24 sebesar 70-75% dalam satu sesi adalah jenis penurunan yang biasanya menyertai tuduhan penipuan atau eksploitasi protokol, bukan perdebatan arsitektur model.

Kesenjangan antara apa yang dijanjikan secara arsitektural, termasuk Loop Transformer dan memori Engram, dan apa yang benar-benar disampaikan dalam bobot model terlalu lebar untuk diatasi hanya dengan pemasaran.