Um projeto de IA descentralizado acabou de aprender, da maneira mais difícil, que a comunidade de criptomoedas é muito boa em verificar recibos. O Quasar, operando como Subnet 24 na rede Bittensor, lançou o que chamou de um modelo inovador de 120 bilhões de parâmetros com uma janela de contexto de 5 milhões de tokens. Em poucas horas, pesquisadores independentes descobriram que cerca de 96-98% de seus pesos eram quase idênticos a um modelo existente da Ant Group.
O impacto foi rápido. O token SN24 alpha caiu aproximadamente 70-75% em uma única sessão de negociação.
O modelo e o descompasso
Quasar, liderado pela SILX AI, vinha se preparando para este momento há meses. O projeto lançou o Quasar-Preview, um modelo com cerca de 20 bilhões de parâmetros totais, e o Quasar-3B em abril de 2026. Ambos foram posicionados como etapas rumo a um modelo muito maior, treinado inteiramente por métodos descentralizados na rede Bittensor.
A versão 120B deveria ter sido o retorno. A SILX AI divulgou o modelo como uma vitória do treinamento descentralizado, com inovações arquiteturais prometidas, como algo chamado de “Loop Transformer” e “memória Engram”. Esses recursos tinham como objetivo resolver os problemas de memória e coerência que afetam as arquiteturas de transformadores padrão ao lidar com contextos extremamente longos.
Quando analistas independentes examinaram os pesos reais do modelo, esses recursos arquiteturais inovadores estavam em grande parte ausentes. Em vez disso, a análise revelou que a esmagadora maioria dos pesos, entre 96% e 98%, correspondia de perto ao modelo Ling-mini-base-2.0 do Ant Group.
Por que isso importa para o ecossistema do Bittensor
O Bittensor opera sob uma premissa fundamentalmente diferente da maioria dos projetos de criptomoeda. Sua rede incentiva a inteligência machine descentralizada por meio de mineração e validação competitivas, onde diferentes subnets se concentram em tarefas de IA distintas. O foco da Subnet 24 tem sido no desenvolvimento de modelos fundamentais de longo contexto, o tipo de IA que pode processar e raciocinar sobre documentos massivos sem perder o fio da meada.
A SILX AI promoveu uma visão ambiciosa para o futuro do Quasar, incluindo uma meta de 10 trilhões de tokens em treinamento total, e afirma que métodos de treinamento descentralizados podem reduzir custos em 99,5% em comparação com abordagens centralizadas convencionais.
A queda do token e a reação dos investidores
Os mercados não esperaram por explicações. A queda de 70-75% do token SN24 em uma única sessão é o tipo de declínio que normalmente acompanha alegações de fraude ou explorações de protocolo, não debates sobre arquitetura de modelo.
A lacuna entre o que foi prometido arquitetonicamente, incluindo o Loop Transformer e a memória Engram, e o que foi realmente entregue nos pesos do modelo é muito grande para ser superada apenas com marketing.