SN24 ra mắt kiến trúc Quasar-3B: Cách Bittensor TAO thách thức OpenAI trong AI ngữ cảnh dài

2026/04/21 07:00:03

Giới thiệu

Bối cảnh trí tuệ nhân tạo chứng kiến sự phát triển đáng kể vào tháng 4 năm 2026 khi SN24 (OMEGA Labs) công bố ra mắt Quasar-3B, một transformer thời gian liên tục được thiết kế đặc biệt cho trí thông minh ngữ cảnh dài.

Thông báo này đại diện cho nhiều hơn một cột mốc kỹ thuật – nó cho thấy Bittensor có ý định nghiêm túc cạnh tranh trực tiếp với các đế chế AI tập trung như OpenAI trong một trong những chiều cạnh năng lực quan trọng nhất: khả năng xử lý và suy luận trên các ngữ cảnh kéo dài. Trong bối cảnh AI ngữ cảnh dài đang phát triển nhanh chóng, cuộc cạnh tranh để xây dựng các mô hình có thể xử lý hiệu quả hàng triệu token đã trở thành một trong những cuộc chiến mang tính quyết định nhất trong phát triển AI. Cách tiếp cận phi tập trung của Bittensor thông qua Quasar-3B của SN24 hiện đã gia nhập sân chơi này, thách thức giả định rằng chỉ các tập đoàn tập trung khổng lồ mới có thể đẩy ranh giới của những gì các mô hình AI có thể đạt được. Câu hỏi giờ đây không còn là liệu AI phi tập trung có thể cạnh tranh hay không – mà là nó sẽ thu hẹp khoảng cách với các đối thủ đã có chỗ đứng nhanh đến mức nào.

Bài viết cột này khám phá cách Quasar-3B phù hợp với bối cảnh rộng lớn hơn của hệ sinh thái Bittensor. Đối với những người đọc mới làm quen với lĩnh vực này, ba chủ đề nền tảng cung cấp nền tảng cần thiết:

hiểu về What Is SN24 và vai trò của nó trong mạng Bittensor,
khám phá Why Is Long-Context AI Important và các ứng dụng chuyển đổi của nó trong nhiều ngành công nghiệp;
và so sánh How Does Bittensor's Decentralized Approach hoạt động với việc phát triển AI tập trung truyền thống.

Quasar-3B là gì: Câu trả lời của SN24 cho các thách thức về ngữ cảnh dài

Quasar-3B đại diện cho giải pháp của OMEGA Labs đối với một trong những hạn chế dai dẳng nhất của AI: sự suy giảm cửa sổ ngữ cảnh. Khi hầu hết các mô hình xử lý tài liệu vượt quá độ dài ngữ cảnh được huấn luyện, độ chính xác giảm đáng kể. Nghiên cứu cho thấy Claude mất hơn 30% độ chính xác sau 1 triệu token. Hạn chế này làm hạn chế căn bản những gì các hệ thống AI có thể đạt được trong các ứng dụng thực tế.

Tên kiến trúc "Quasar" gợi đến hiện tượng thiên văn - những đối tượng có độ sáng khổng lồ có thể quan sát được ở khoảng cách rất xa. Tương tự, Quasar-3B nhằm làm sáng rõ các ngữ cảnh rộng lớn, giúp AI có thể "nhìn" xuyên suốt hàng triệu token với độ chính xác được duy trì. Danh hiệu "3B" đề cập đến số lượng tham số của mô hình, với "1B Active" cho biết 1 tỷ tham số vẫn được kích hoạt hoạt động trong quá trình xử lý.

Các đổi mới kiến trúc then chốt phân biệt Quasar-3B với các transformer truyền thống. Thiết kế transformer thời gian liên tục lặp lại cho phép mô hình duy trì luồng thông tin qua các chuỗi kéo dài mà không bị suy giảm thông thường khi các mô hình xử lý ngữ cảnh vượt quá phạm vi tối ưu của chúng. Lựa chọn kiến trúc này giải quyết hạn chế cơ bản đã hạn chế sự cạnh tranh giữa Bittensor và OpenAI trong các ứng dụng ngữ cảnh dài.

Để hiểu vị trí chiến lược của SN24 trong hệ sinh thái rộng lớn hơn, thật hữu ích khi xem xét những gì subnet này đạt được, hoạt động như một trong những đơn vị chuyên biệt của Bittensor, tập trung vào việc thúc đẩy khả năng ngữ cảnh dài của mạng lưới đồng thời đóng góp vào bộ dữ liệu đa phương thức phi tập trung lớn nhất thế giới.

Kiến trúc kỹ thuật: Cách Quasar-3B đạt được ngữ cảnh mở rộng

Để hiểu kiến trúc kỹ thuật của Quasar-3B, cần xem xét lý do tại sao xử lý ngữ cảnh dài lại gây ra nhiều thách thức cho các hệ thống AI. Các mô hình transformer truyền thống sử dụng cơ chế chú ý có độ phức tạp tăng theo bình phương với độ dài chuỗi — gấp đôi độ dài ngữ cảnh sẽ làm tăng bốn lần yêu cầu tính toán. Thực tế toán học này đã khiến việc xử lý ngữ cảnh mở rộng trở nên quá đắt đỏ đối với hầu hết các ứng dụng.

Tiếp cận transformer thời gian liên tục lặp lại của Quasar-3B giải quyết thách thức mở rộng này thông qua các đổi mới kiến trúc duy trì hiệu quả tính toán ngay cả khi độ dài ngữ cảnh được kéo dài. Mô hình đạt được điều này thông qua một số cơ chế. Thứ nhất, mô hình hóa thời gian liên tục cho phép hệ thống xử lý thông tin như một luồng liên tục thay vì các khối rời rạc, giảm thiểu chi phí phát sinh do chia nhỏ. Thứ hai, kiến trúc lặp tạo ra các đường phản hồi giúp thông tin được duy trì xuyên suốt các chuỗi kéo dài mà không làm tăng tỷ lệ tính toán. Thứ ba, các đường ống suy luận được tối ưu hóa đảm bảo khả năng mở rộng này được chuyển hóa thành các ứng dụng thực tế.

Kết quả chuẩn đã thu hút sự chú ý đáng kể trong cộng đồng nghiên cứu AI. Theo thông báo trên X từ đội ngũ Quasar, mô hình cho thấy hiệu suất cạnh tranh trên các đánh giá LongBench – chuẩn chuẩn hóa cho khả năng AI ngữ cảnh dài. Trong khi các con số đánh giá chi tiết tiếp tục được công bố khi mô hình trải qua kiểm thử bởi cộng đồng, các dấu hiệu ban đầu cho thấy sự tiến bộ đáng kể hướng tới mục tiêu duy trì độ chính xác trên hàng triệu token.

Việc triển khai thông qua hạ tầng subnet của Bittensor mang lại những lợi thế bổ sung. 128 subnet đang hoạt động của mạng lưới cho phép tối ưu hóa chuyên biệt cho các khía cạnh khác nhau của xử lý ngữ cảnh dài. Các subnet tập trung vào truy xuất, xử lý và xác thực có thể phối hợp cùng Quasar-3B để cung cấp các khả năng đòi hỏi nỗ lực kỹ thuật đáng kể để tái tạo trong các hệ thống tập trung.

Tại sao AI có ngữ cảnh dài lại quan trọng trong cuộc đua AI

Ý nghĩa của AI có ngữ cảnh dài vượt xa khỏi thành tựu kỹ thuật – nó đại diện cho sự thay đổi năng lực cốt lõi, mở ra những danh mục ứng dụng hoàn toàn mới. Đối với các doanh nghiệp và nhà nghiên cứu làm việc với các bộ tài liệu lớn, phiên tòa pháp lý, cơ sở mã hoặc kho lưu trữ nghiên cứu, khả năng xử lý toàn bộ tập dữ liệu trong ngữ cảnh đã biến những điều trước đây không thể thành có thể.

Các tiếp cận AI truyền thống yêu cầu chia các tài liệu lớn thành các phần nhỏ hơn, làm mất khả năng phát hiện các mô hình trải dài toàn bộ tập dữ liệu. Một nhóm pháp lý xem xét thương vụ sáp nhập với hàng ngàn tài liệu không thể đặt câu hỏi đòi hỏi hiểu biết về mối quan hệ giữa tất cả các tài liệu. Một nhà phát triển phân tích cơ sở mã với một triệu dòng mã không thể nhận được sự hỗ trợ từ AI hiểu được toàn bộ bối cảnh của hệ thống. AI với ngữ cảnh dài loại bỏ những hạn chế này, cho phép ứng dụng trong các lĩnh vực pháp lý, y tế, tài chính và nghiên cứu mà trước đây là không thực tế.

Bối cảnh cạnh tranh đã trở nên gay gắt hơn khi các tác nhân lớn nhận ra xu hướng năng động này. GPT-4.5 của OpenAI và Claude Opus 4.6 của Anthropic đã kéo dài cửa sổ ngữ cảnh lên 1 triệu token, trong khi Gemini đạt 2 triệu. Những tiến bộ này xác nhận hướng đi của thị trường đồng thời nâng cao tiêu chuẩn cho các đối thủ cạnh tranh. Sự gia nhập của Bittensor thông qua Quasar-3B đại diện cho thách thức phi tập trung nghiêm túc nhất trong không gian này.

Đối với những người tìm hiểu sâu hơn về lý do tại sao những khả năng này quan trọng và ngành nào được hưởng lợi nhiều nhất, phân tích về AI ngữ cảnh dài cho thấy tiềm năng chuyển đổi vượt bậc trong chẩn đoán y tế, xem xét tài liệu pháp lý, phân tích danh mục đầu tư tài chính và tổng hợp văn học học thuật.

Cách mô hình phi tập trung của Bittensor cạnh tranh với AI tập trung

Sự so sánh giữa cách tiếp cận phi tập trung của Bittensor và mô hình phát triển tập trung của OpenAI trở nên sâu sắc hơn với sự ra mắt của Quasar-3B. Việc hiểu cách cạnh tranh giữa Bittensor và OpenAI thể hiện trong AI ngữ cảnh dài đòi hỏi việc xem xét nhiều khía cạnh của cuộc cạnh tranh này.

Về mặt tài nguyên, OpenAI có những lợi thế đáng kể. Sự hợp tác giữa công ty và Microsoft mang lại khả năng tiếp cận cơ sở hạ tầng tính toán khổng lồ. Chi phí huấn luyện GPT-4 được cho là vượt quá 100 triệu USD. Tính chất vốn-intensive này tạo ra rào cản mà các mạng phi tập trung khó có thể sánh ngang trực tiếp. Tuy nhiên, mô hình phân tán của Bittensor tận dụng vốn từ hàng ngàn người tham gia thay vì yêu cầu đầu tư từ một thực thể duy nhất. Sự phát triển của Quasar-3B cho thấy khả năng AI ý nghĩa có thể xuất hiện từ mô hình phân tán này.

Các cấu trúc khuyến khích khác nhau căn bản. Lợi ích từ sự phát triển của OpenAI chủ yếu chảy đến công ty và các nhà đầu tư của nó. Nhân viên và các nhà nghiên cứu nhận phần thưởng nhưng không tham gia vào việc tạo ra giá trị dài hạn. Mô hình kinh tế mã hóa của Bittensor có nghĩa là những người đóng góp vào sự phát triển của Quasar-3B sẽ nhận được các token TAO, tăng giá trị khi mạng lưới phát triển. Sự đồng bộ này tạo ra các mô hình động lực khác nhau có thể thúc đẩy đổi mới thông qua cạnh tranh.

Kiến trúc này cho thấy cách các mạng phi tập trung có thể chuyên môn hóa một cách hiệu quả. Thay vì xây dựng khả năng tổng quát nhằm phục vụ mọi nhu cầu, các subnet có thể tập trung vào những thách thức cụ thể. Quasar-3B chỉ tập trung hoàn toàn vào xử lý ngữ cảnh dài, tối ưu sâu cho khả năng này thay vì phân tán tài nguyên để cải thiện tổng thể.

Đối với những người đọc quan tâm đến việc hiểu các sự đánh đổi về khả năng mở rộng giữa các phương pháp này, so sánh chi tiết cho thấy mỗi mô hình đều mang lại những lợi thế riêng biệt tùy theo yêu cầu của từng trường hợp sử dụng.

So sánh hiệu suất tiếp tục được phát triển khi cả hai phương pháp đều trưởng thành. Các mô hình của OpenAI hiện dẫn đầu trên các bộ tiêu chuẩn đánh giá khả năng tổng quát. Các subnet của Bittensor đã thể hiện hiệu suất cạnh tranh trên các nhiệm vụ cụ thể. Yếu tố ngữ cảnh dài đại diện cho lĩnh vực mà Bittensor có tiềm năng dẫn đầu thay vì đi theo, nhờ các đổi mới kiến trúc như thiết kế transformer thời gian liên tục của Quasar-3B.

Tầm quan trọng chiến lược đối với TAO và hệ sinh thái Bittensor

Việc ra mắt Quasar-3B mang những hệ quả đáng kể đối với hệ sinh thái Bittensor rộng lớn và đặc biệt là đối với token TAO. Việc hiểu những hệ quả này đòi hỏi phải xem xét cách hệ thống subnet tạo ra giá trị cho toàn bộ mạng lưới.

Các subnet trong Bittensor hoạt động như các thị trường chuyên biệt, mỗi cái tập trung vào các khả năng AI khác nhau. Thành công của từng subnet đóng góp vào giá trị tổng thể của mạng thông qua một số cơ chế. Thứ nhất, các subnet hữu ích thu hút các truy vấn tạo ra phát thải TAO. Thứ hai, các subnet thành công chứng minh khả năng của mạng, thu hút thêm nhiều người tham gia. Thứ ba, hệ thống dTAO có nghĩa là sự tăng giá của token subnet mang lại lợi ích cho người nắm giữ TAO thông qua cơ chế automated market maker.

Việc ra mắt Quasar-3B củng cố mạng lưới theo nhiều cách. Mô hình này cung cấp khả năng trước đây chưa từng có trong hệ sinh thái AI phi tập trung, thu hút những người dùng cần xử lý ngữ cảnh dài. Sự đổi mới kỹ thuật cho thấy Bittensor có thể tạo ra các nghiên cứu AI tiên tiến nhất. Sự chú ý từ việc ra mắt xác nhận phương pháp subnet trong phát triển AI.

Vị thế cạnh tranh trở nên hấp dẫn hơn với Quasar-3B đang được đưa vào sản xuất. Các người dùng doanh nghiệp đang đánh giá các lựa chọn AI hiện có một lựa chọn phi tập trung có thể sánh ngang với một số khả năng của các nhà cung cấp tập trung. Cuộc cạnh tranh này mang lại lợi ích cho toàn bộ thị trường đồng thời có thể tạo ra giá trị cho hệ sinh thái Bittensor.

Đối với các nhà đầu tư đánh giá TAO, việc ra mắt Quasar-3B là minh chứng cho luận điểm đầu tư. Khả năng phát triển các mô hình AI cạnh tranh thông qua sự phối hợp phi tập trung xác nhận phương pháp tiếp cận cốt lõi. Các đợt ra mắt subnet trong tương lai có thể lấy Quasar-3B làm bằng chứng rằng mạng lưới có thể cạnh tranh với việc phát triển AI tập trung.

Các ứng dụng thực tế được kích hoạt bởi khả năng ngữ cảnh dài của Quasar-3B

Các ứng dụng thực tế của khả năng ngữ cảnh mở rộng của Quasar-3B trải rộng qua các ngành công nghiệp và trường hợp sử dụng mà trước đây không khả thi để hỗ trợ bởi AI. Việc hiểu các ứng dụng này cho thấy lý do vì sao cuộc đua về ngữ cảnh dài lại quan trọng hơn cả thành tựu kỹ thuật.

Các ứng dụng trong ngành pháp lý thay đổi khi toàn bộ hồ sơ vụ việc có thể được xử lý trong bối cảnh. Thay vì xem xét từng tài liệu riêng lẻ, các luật sư có thể truy vấn toàn bộ lịch sử tranh tụng, xác định các mô hình và tiền lệ trên tất cả tài liệu. Phân tích hợp đồng có thể theo dõi các nghĩa vụ và sự phụ thuộc xuyên suốt thư viện hợp đồng. Kiểm tra doanh nghiệp có thể tích hợp toàn bộ tài liệu công ty trong một phân tích duy nhất.

Phát triển phần mềm được lợi ích từ việc hiểu toàn bộ cơ sở mã trong bối cảnh. Các cuộc kiểm tra bảo mật có thể phân tích toàn bộ kho lưu trữ, xác định các lỗ hổng trải dài qua nhiều tệp. Việc xem xét mã có thể hiểu đầy đủ bối cảnh của các thay đổi, không chỉ là các bản diff riêng lẻ. Việc tạo tài liệu có thể tích hợp sự hiểu biết toàn diện về kiến trúc hệ thống.

Phân tích tài chính đạt đến mức độ tinh vi mới với bối cảnh lịch sử đầy đủ. Phân tích danh mục đầu tư có thể tích hợp dữ liệu thị trường trong nhiều thập kỷ. Đánh giá rủi ro có thể đánh giá các vị thế trên toàn bộ danh mục đầu tư đồng thời. Nghiên cứu có thể tổng hợp toàn bộ lịch sử lợi nhuận và các tài liệu tuân thủ quy định.

Các ứng dụng chăm sóc sức khỏe cho phép phân tích toàn diện bệnh nhân. Chẩn đoán có thể xem xét toàn bộ lịch sử y tế kéo dài nhiều năm. Nghiên cứu có thể phân tích toàn bộ bộ dữ liệu thử nghiệm lâm sàng. Tuân thủ quy định có thể xử lý các khung chính sách toàn diện.

Nghiên cứu học thuật chuyển biến khi toàn bộ các bộ sưu tập tài liệu có thể được tiếp cận. Tổng quan tài liệu có thể tổng hợp các phát hiện từ hàng thập kỷ xuất bản. Nghiên cứu liên ngành có thể kết nối những hiểu biết giữa các lĩnh vực. Phân tích tài trợ có thể đánh giá toàn bộ lịch sử đề xuất.

Ngành công nghiệp blockchain đặc biệt hưởng lợi từ những khả năng này. Kiểm toán hợp đồng thông minh có thể phân tích toàn bộ các triển khai giao thức. Phân tích DeFi có thể đánh giá tương tác hệ sinh thái một cách toàn diện. Phân tích trên blockchain có thể tích hợp lịch sử giao dịch đầy đủ.

Lộ trình tương lai: Điều gì sẽ đến tiếp theo cho SN24 và Quasar

Việc ra mắt Quasar-3B là một cột mốc chứ không phải điểm đến cuối cùng. Theo thông tin từ tài liệu của subnet, lộ trình kéo dài đến năm 2026 và xa hơn nữa với nhiều giai đoạn phát triển.

Q4 2025 chứng kiến việc ra mắt subnet đầu tiên trên mạng thử nghiệm Bittensor, triển khai đánh giá LongBench, triển khai chế độ mock và tích hợp giám sát WandB. Những yếu tố nền tảng này đã thiết lập hạ tầng cho quá trình phát triển liên tục.

Q1 2026 tập trung vào mở rộng khả năng ngữ cảnh dài và cải thiện các chỉ số đánh giá. Thông báo về Quasar-3B vào tháng 4 năm 2026 là kết quả của những nỗ lực này, nhưng việc cải tiến liên tục vẫn là trọng tâm.

Các phát triển dự kiến trong phần còn lại của năm 2026 bao gồm các biến thể mô hình bổ sung được tối ưu hóa cho các trường hợp sử dụng khác nhau, mở rộng độ dài ngữ cảnh vượt quá khả năng hiện tại, tích hợp với các subnet khác của Bittensor để tăng cường khả năng cung cấp, và các cải tiến do cộng đồng thúc đẩy thông qua cơ chế khuyến khích.

Áp lực cạnh tranh từ các nhà cung cấp AI tập trung đảm bảo sự đổi mới liên tục trong toàn ngành. Khi OpenAI, Anthropic và Google đẩy giới hạn cửa sổ ngữ cảnh xa hơn, các đối thủ phi tập trung phải theo kịp tiến độ này đồng thời thể hiện những lợi thế riêng biệt. Tiếp cận của Bittensor thông qua việc chuyên môn hóa qua các subnet tạo ra một khung khổ cho sự cạnh tranh liên tục này.

Đối với phong trào AI phi tập trung rộng lớn hơn, Quasar-3B là một minh chứng. Việc chứng minh rằng các khả năng AI cạnh tranh có thể xuất hiện từ các mạng phi tập trung xác nhận luận điểm cốt lõi. Các dự án trong tương lai có thể xây dựng trên nền tảng này, có thể thúc đẩy nhanh hơn sự phát triển của các giải pháp AI phi tập trung.

Tôi có nên đầu tư vào TAO trên KuCoin không?

Đối với các trader đánh giá mức độ tiếp xúc với hệ sinh thái Bittensor, việc ra mắt Quasar-3B cung cấp thêm bối cảnh để đưa ra quyết định đầu tư.

Các yếu tố tích cực

Xác thực cạnh tranh: Quasar-3B cho thấy Bittensor có thể phát triển các khả năng AI tiên tiến nhất, xác nhận cách tiếp cận phi tập trung
Cơ hội thị trường với ngữ cảnh dài: Thị trường AI với ngữ cảnh mở rộng đại diện cho một cơ hội đáng kể và đang tăng trưởng, trị giá hàng tỷ đô la
Sức mạnh hệ sinh thái subnet: Thành công của Quasar-3B của SN24 củng cố hệ sinh thái subnet rộng hơn
Phân biệt kỹ thuật: Các đổi mới kiến trúc như các transformer thời gian liên tục cung cấp các khả năng độc đáo

Các yếu tố rủi ro

Cạnh tranh tập trung: Các công ty công nghệ lớn tiếp tục đầu tư hàng tỷ đô la vào AI ngữ cảnh dài, có thể vượt xa các giải pháp phi tập trung
Sự không chắc chắn trong thực thi: Dịch các sáng kiến kiến trúc thành các ứng dụng thực tế đòi hỏi sự thực thi liên tục
Môi trường pháp lý: Cả tiền điện tử và AI đều đang đối mặt với các khung pháp lý đang phát triển trên toàn cầu
Biến động thị trường tiền điện tử: TAO vẫn duy trì mức biến động cao so với các tài sản truyền thống

Khung chiến lược

Việc ra mắt Quasar-3B là một bước phát triển ý nghĩa đối với hệ sinh thái Bittensor, nhưng cần được đánh giá trong bối cảnh tổng thể của danh mục đầu tư. Xem xét quy mô vị thế dựa trên niềm tin vào luận điểm AI phi tập trung, đồng thời duy trì quản lý rủi ro phù hợp do biến động của thị trường tiền mã hóa.

Cách giao dịch TAO trên KuCoin

Bước 1: Tạo tài khoản KuCoin

Nếu bạn đã sẵn sàng giao dịch TAO, bước đầu tiên là tạo tài khoản KuCoin của bạn. Người dùng mới có thể đăng ký tại KuCoin và nhận đến 11.000 USDT tiền thưởng cho người dùng mới – một phần thưởng đáng kể giúp tăng vốn giao dịch ban đầu của bạn. Chỉ cần truy cập trang web KuCoin hoặc tải ứng dụng di động, hoàn tất quy trình đăng ký bằng email hoặc số điện thoại của bạn, và xác minh danh tính để kích hoạt những phần thưởng này. Quy trình đăng ký chỉ mất vài phút, và phần thưởng chào mừng mang đến điểm khởi đầu tuyệt vời để khám phá các cơ hội giao dịch TAO.

KuCoin thưởng cho người dùng mới lên đến 11000 USDT

Bước 2: Thực hiện giao dịch của bạn

Sau khi đã thiết lập tài khoản, tìm kiếm "TAO/USDT" trong giao diện giao dịch của KuCoin. TAO thường cung cấp thanh khoản mạnh cho hầu hết các quy mô vị thế, dù thanh khoản có thể thay đổi theo điều kiện thị trường. Trong các giai đoạn biến động cao xung quanh các thông báo quan trọng như việc ra mắt Quasar-3B, hãy cân nhắc sử dụng lệnh giới hạn thay vì lệnh thị trường để kiểm soát trượt giá. Đánh giá điểm vào lệnh của bạn dựa trên điều kiện thị trường hiện tại và mức độ chấp nhận rủi ro trước khi thực hiện giao dịch.

Bước 3: Quản lý vị thế

Do tính biến động vốn có của các tài sản tiền điện tử AI, hãy thiết lập các mục tiêu lợi nhuận và mức cắt lỗ rõ ràng trước khi vào vị thế. Theo dõi các diễn biến từ SN24, các đợt ra mắt subnet rộng hơn của Bittensor, và môi trường cạnh tranh giữa AI phi tập trung và AI tập trung. Điều chỉnh vị thế của bạn dựa trên đánh giá liên tục về luận điểm, thay vì phản ứng cảm xúc trước những biến động giá.

Kết luận

Việc ra mắt Quasar-3B bởi SN24 đại diện cho một bước ngoặt đối với AI phi tập trung. Bằng cách chứng minh rằng Bittensor có thể phát triển các khả năng AI ngữ cảnh dài cạnh tranh thông qua mạng lưới phân tán, dự án này thách thức những giả định về ai có thể đẩy ranh giới của trí tuệ nhân tạo. Những đổi mới kiến trúc trong transformer thời gian liên tục có vòng lặp của Quasar-3B tạo nền tảng cho sự tiến bộ liên tục.

Các động lực cạnh tranh giữa AI phi tập trung và AI tập trung tiếp tục phát triển. OpenAI vẫn duy trì lợi thế về vốn và quy mô. Tuy nhiên, sự đồng bộ động lực của Bittensor, chuyên môn hóa thông qua các subnet và sự tham gia toàn cầu tạo ra những lợi thế khác biệt. Cuộc cạnh tranh giữa Bittensor và OpenAI trở nên thú vị hơn với sự phát triển này.

Đối với ngành AI rộng lớn hơn, sự cùng tồn tại của nhiều cách tiếp cận mang lại lợi ích cho tất cả. Cạnh tranh thúc đẩy đổi mới, trong khi sự đa dạng mang lại khả năng chống chịu. Việc chứng minh rằng các mạng phi tập trung có thể cạnh tranh đã xác nhận các cấu trúc phát triển thay thế.

Đối với các nhà đầu tư, việc ra mắt Quasar-3B cung cấp bằng chứng hỗ trợ luận điểm đầu tư vào Bittensor. Tuy nhiên, quy mô vị thế nên phản ánh mức độ chấp nhận công nghệ giai đoạn đầu và biến động của thị trường tiền điện tử.

Câu hỏi thường gặp

Q: Quasar-3B là gì?

A: Quasar-3B là mô hình AI có ngữ cảnh dài do SN24 (OMEGA Labs) ra mắt trên mạng Bittensor vào tháng 4 năm 2026. Nó sử dụng kiến trúc transformer thời gian liên tục lặp lại, được thiết kế để suy luận hiệu quả trên hàng triệu token. “3B” đề cập đến 3 tỷ tham số, trong đó 1 tỷ được kích hoạt trong quá trình xử lý.

Hỏi: Quasar-3B so sánh như thế nào với các mô hình ngữ cảnh dài của OpenAI?

A: Quasar-3B đặc biệt nhắm vào thách thức ngữ cảnh dài với các đổi mới kiến trúc giúp duy trì độ chính xác trên các chuỗi mở rộng. Trong khi các so sánh hiệu năng chi tiết tiếp tục được công bố, mô hình này cho thấy hiệu suất cạnh tranh trên các bài đánh giá LongBench. Mô hình phát triển phi tập trung mang lại những lợi thế khác biệt so với cách tiếp cận tập trung của OpenAI.

Hỏi: Điều gì làm cho kiến trúc Quasar khác biệt so với các transformer truyền thống?

A: Quasar sử dụng thiết kế bộ chuyển đổi thời gian liên tục lặp lại, cho phép thông tin lưu chuyển qua các chuỗi kéo dài mà không làm tăng chi phí tính toán theo tỷ lệ. Điều này giải quyết vấn đề mở rộng bậc hai khiến việc mở rộng ngữ cảnh của bộ chuyển đổi truyền thống trở nên tốn kém.

Hỏi: SN24 phù hợp như thế nào vào hệ sinh thái Bittensor rộng lớn hơn?

A: SN24 (OMEGA Labs) là một trong 128 subnet đang hoạt động của Bittensor, tập trung vào việc tạo ra bộ dữ liệu đa mô态 phân tán lớn nhất thế giới. Subnet này đóng góp vào hệ sinh thái thông qua cơ sở hạ tầng dữ liệu và các khả năng AI như Quasar-3B.

Hỏi: Những ứng dụng thực tế của Quasar-3B là gì?

A: Các ứng dụng bao gồm phân tích tài liệu pháp lý trên toàn bộ hồ sơ vụ việc, kiểm toán bảo mật phần mềm trên toàn bộ mã nguồn, phân tích tài chính kết hợp dữ liệu thị trường trong nhiều thập kỷ, phân tích y tế trên toàn bộ lịch sử bệnh án và tổng hợp nghiên cứu học thuật trên toàn bộ các tài liệu học thuật.

Tuyên bố từ chối trách nhiệm: Trang này được dịch bằng công nghệ AI (do GPT cung cấp) để thuận tiện cho bạn. Để biết thông tin chính xác nhất, hãy tham khảo bản gốc tiếng Anh.