Автор: Чаньань, Shenchao TechFlow
Глибокий огляд: команда NEAR AI розв’язала всі 672 задачі з північноамериканської математичної олімпіади для студентів за допомогою агентів. Загальні витрати склали близько 111 доларів США, що становить у середньому 0,17 долара за задачу. Команда NEAR AI використала китайську відкриту модель DeepSeek V4 для цього тесту. Це не просто змагання з інтелекту великих моделей — за рахунками за обчислення схована бізнес-ідея, спрямована на демократизацію дорогого «формального верифікування» смарт-контрактів.
Тестові дані відкритого кодового репозиторію розкрили вартість вирішення завдань великими моделями.
Недавно, згідно з даними, опублікованими співзасновником NEAR Protocol Олексом Скідановим та офіційними джерелами, агент NEAR AI вирішив усі 672 математичні задачі на PutnamBench.
Для тих, хто не знайомий: PutnamBench — це не звичайний набір питань, а стандартний тест, створений на основі формату завдань з найкращих північноамериканських математичних олімпіад (William Lowell Putnam).
Простими словами, це означає, що AI виконав строгі математичні логічні міркування, щоб побачити, чи зможе він самостійно розв’язувати задачі. Для повного розв’язання NEAR AI витратив близько 111,85 долара США. У середньому вартість кожної задачі становить 0,17 долара США.
Як порівняння, інші схеми з повним баллом мають набагато вищі рахунки.
За даними, зібраними MSBIntel, середня вартість однієї задачі становить 44,5 долара США за допомогою GPT-5.6 від OpenAI; за допомогою Claude Opus 5 від Anthropic — 3,52 долара США.
У цьому конкретному тесті NEAR за допомогою рішення DeepSeek V4 знизив витрати до двохсот п’ятдесятого відсотка від GPT-5.6.
Ланцюг виконує математичні завдання, але мета не в цьому
Команда публічної блокчейн-мережі вкладає зусилля у розв’язання математичних задач, а не на освіту ринку.
Основна вимога тесту PutnamBench — це перевірність машини: AI-згенерована відповідь повинна бути не просто текстом, а строгим кодом доведення, написаним мовою Lean 4 (однією з головних мов для допоміжних засобів доведення).
Ці коди не повинні мати синтаксичних вразливостей, не повинні пропускати кроки логічного виведення та повинні бути на 100% підтверджені машинною перевіркою. Одночасно це відповідає ключовій технології в галузі інформатики, відомій як формальна верифікація.
Щодо криптоіндустрії, смарт-контракти зберігають сотні мільйонів і навіть мільярди доларів США. Традиційний аудит коду залежить від людського пошуку вразливостей, тоді як формальна верифікація використовує строгу математичну логіку, щоб поступово довести, що код не матиме помилок у будь-якому можливому стані.
Протягом тривалого часу смертельним недоліком формальної верифікації була її висока вартість і повільний процес. Вона вимагала висококваліфікованих експертів з безпеки та тривалих циклів, і її могли собі дозволити лише проекти з величезними фінансовими ресурсами.
Цей тест NEAR AI підтвердив можливість масового створення надійних математичних доведень за допомогою відкритих моделей ШІ, а також їх низьку вартість.
Універсальна інфраструктура для безпечної роботи в ланцюгах
NEAR розгортає реальний бізнес, знижуючи бар’єри для формальної верифікації до кількох центів.
Наразі цей код, який інтегрує DeepSeek і Lean 4, повністю відкритий. Наступним кроком, який офіційно оголосив NEAR, є безпосереднє застосування цього недорогого інструменту для перевірки безпеки самого протоколу NEAR та його ключових смарт-контрактів.
Тоже можна розуміти це як технологічне делегування, або, простіше кажучи, як те, що команда проекту діє в контексті AI-наративу.
Якщо відкритий штучний інтелект зможе стабільно генерувати машинно-перевіряні докази безпеки коду, це означатиме, що майбутні звичайні розробники та невеликі команди проектів зможуть перед розгортанням контракту проводити формальну верифікацію за кілька центів, що зменшить ймовірність виникнення проблем у смарт-контрактах.
Проте об’єктивно це не має безпосереднього відношення до короткострокових коливань ціни токена NEAR. Але в боротьбі за основу екосистеми блокчейну витрати десятків центів на розмінування набагато більш реальні за комерційну вартість, ніж витрати мільйони на виправлення помилок після того, як вони вже сталася.