Децентралізований проект з ІІ навчився на власному досвіді, що крипто-спільнота чудово вміє перевіряти чеки. Quasar, що діє як Subnet 24 у мережі Bittensor, випустив те, що назвав революційною моделлю з 120 мільярдами параметрів та контекстним вікном у 5 мільйонів токенів. Протягом кількох годин незалежні дослідники виявили, що приблизно 96–98% її ваг були майже ідентичними існуючій моделі від Ant Group.
Наслідки були швидкими. Токен SN24 alpha впав приблизно на 70–75% за одну торгівельну сесію.
Модель і невідповідність
Quasar, розроблений SILX AI, протягом кількох місяців підготувався до цього моменту. Проект випустив Quasar-Preview — модель з приблизно 20 мільярдами загальних параметрів, а також Quasar-3B ще в квітні 2026 року. Обидві моделі були спрямовані на створення значно більшої моделі, навченої повністю за допомогою децентралізованих методів на мережі Bittensor.
Випуск 120B мав стати нагородою. SILX AI позиціонувала модель як перемогу децентралізованого навчання, з обіцяними архітектурними інноваціями, такими як «Loop Transformer» і «Engram memory». Ці функції мали вирішити проблеми пам’яті та когерентності, які страждають стандартні архітектури трансформерів при роботі з надзвичайно довгими контекстами.
Коли незалежні аналітики вивчили реальні ваги моделі, ці нові архітектурні особливості були майже відсутні. Натомість аналіз показав, що переважна більшість ваг — від 96% до 98% — дуже добре відповідає моделі Ant Group Ling-mini-base-2.0.
Чому це важливо для екосистеми Bittensor
Bittensor функціонує на фундаментально іншій основі, ніж більшість крипто-проектів. Його мережа стимулює децентралізовану машинну інтелігентність завдяки конкурентній майнінгу та валідації, де різні сабнети спеціалізуються на різних завданнях ШІ. Фокус сабнету 24 був спрямований на розробку фундаментальних моделей з довгим контекстом — такого типу ШІ, який може обробляти й міркувати над величезними документами, не втрачаючи нитки.
SILX AI просунула амбітний візіон для майбутнього Quasar, включаючи ціль у 10 трильйонів токенів загальним навчанням, та стверджує, що децентралізовані методи навчання можуть знизити витрати на 99,5% порівняно з традиційними централізованими підходами.
Падіння токена та відток інвесторів
Ринки не чекали пояснень. Падіння токена SN24 alpha на 70–75% за одну сесію — це той тип спаду, який зазвичай супроводжується звинуваченнями у шахрайстві або експлуатації протоколу, а не дискусіями щодо архітектури моделі.
Різниця між теоретично обіцяним архітектурно, включаючи Loop Transformer та Engram-пам’ять, і реальним вмістом ваг моделі надто велика, щоб її можна було подолати лише за допомогою маркетингу.