Quasar'ın 120 milyar parametreli AI modeli, eğitim kökeni nedeniyle inceleme altına alındı

Merkeziyetsiz bir AI projesi, kripto topluluğunun faturaları kontrol etmede çok iyi olduğunu zor yollarla öğrendi. Bittensor ağı üzerinde Subnet 24 olarak faaliyet gösteren Quasar, 120 milyar parametreli ve 5 milyon tokenlik bağlam penceresine sahip bir modeli devrimci olarak tanıttı. Saatler içinde bağımsız araştırmacılar, ağırlıklarının yaklaşık %96-98’inin Ant Group’a ait mevcut bir modele neredeyse tamamen benzer olduğunu tespit etti.

Sonuçlar hızla ortaya çıktı. SN24 alfa tokeni, tek bir işlem oturumunda yaklaşık %70-75 düştü.

SILX AI tarafından öncülük edilen Quasar, aylardır bu an için hazırlanıyordu. Proje, Nisan 2026'da toplam yaklaşık 20 milyar parametreye sahip Quasar-Preview ve Quasar-3B'yi yayınladı. İkisi de Bittensor ağı üzerinde tamamen dezentralize yöntemlerle eğitilmiş çok daha büyük bir modele doğru adımlar olarak sunuldu.

120B sürümü ödemenin yapılması için tasarlanmıştı. SILX AI, modeli, “Loop Transformer” ve “Engram hafıza” gibi söz verilen mimari yeniliklerle tamamlanan dağıtılmış eğitimde bir zafer olarak pazarladı. Bu özellikler, standart transformer mimarilerinin çok uzun bağlamlarla çalışırken yaşadığı hafıza ve tutarlılık sorunlarını çözmek amacıyla tasarlandı.

Bağımsız analistler, gerçek model ağırlıklarını incelediğinde, bu yeni mimari özellikler büyük ölçüde bulunmuyordu. Bunun yerine, analiz, ağırlıkların %96 ile %98 arasında büyük bir çoğunluğunun Ant Group’un Ling-mini-base-2.0 modeliyle yakından eşleştiğini ortaya koydu.

Bittensor, çoğu kripto projesinden temelde farklı bir önümüze sahiptir. Ağı, rekabetçi madencilik ve doğrulama yoluyla dağıtılmış makine zekâsını teşvik eder; burada farklı alt ağlar farklı AI görevlerine odaklanır. Alt ağ 24'ün odak noktası, büyük belgeleri işleyebilen ve akıl yürütebilen, ancak konuyu kaybetmeden çalışan uzun bağlam temel modelleri geliştirmektir.

SILX AI, Quasar'ın geleceğine dair ambisyonlu bir vizyon ortaya koydu ve toplam 10 trilyon token hedefini belirledi; merkezi olmayan eğitim yöntemlerinin, geleneksel merkezi yaklaşımlara kıyasla maliyetleri %99,5 oranında azaltabileceğini iddia etti.

Piyasalar açıklamaları beklemedi. SN24 alfa tokeninin tek bir oturumda %70-75 düşüşü, model mimarisi tartışmalarından ziyade dolandırıcılık iddiaları veya protokol istilalarıyla genellikle eşlik eden bir düşüştür.

Mimari olarak söz verilen, Loop Transformer ve Engram belleği dahil olmak üzere, ve model ağırlıklarında gerçekten sunulan arasında yalnızca pazarlama ile kapatılamayacak kadar geniş bir boşluk var.