Một dự án AI phi tập trung vừa học được bài học đắt giá rằng cộng đồng tiền điện tử rất giỏi trong việc kiểm tra hóa đơn. Quasar, hoạt động như Subnet 24 trên mạng Bittensor, đã ra mắt một mô hình 120 tỷ tham số với cửa sổ ngữ cảnh 5 triệu token, mà họ gọi là đột phá. Trong vòng vài giờ, các nhà nghiên cứu độc lập phát hiện ra rằng khoảng 96-98% trọng số của nó gần như giống hệt với một mô hình đã tồn tại của Ant Group.
Hậu quả xảy ra nhanh chóng. Mã thông báo SN24 alpha giảm khoảng 70-75% trong một phiên giao dịch duy nhất.
Mô hình và sự không khớp
Quasar, do SILX AI dẫn dắt, đã xây dựng để đạt đến khoảnh khắc này trong nhiều tháng. Dự án đã phát hành Quasar-Preview, một mô hình với khoảng 20 tỷ tham số tổng cộng, và Quasar-3B vào tháng 4 năm 2026. Cả hai đều được định vị như những bước đệm hướng tới một mô hình lớn hơn nhiều, được huấn luyện hoàn toàn thông qua các phương pháp phi tập trung trên mạng Bittensor.
Phiên bản 120B được kỳ vọng sẽ mang lại thành quả. SILX AI quảng bá mô hình này như một chiến thắng của việc đào tạo phi tập trung, kèm theo những đổi mới kiến trúc được hứa hẹn như một thứ gọi là “Loop Transformer” và “bộ nhớ Engram.” Những tính năng này nhằm giải quyết các vấn đề về bộ nhớ và tính nhất quán mà các kiến trúc transformer tiêu chuẩn gặp phải khi xử lý các ngữ cảnh cực kỳ dài.
Khi các nhà phân tích độc lập phân tích trọng số mô hình thực tế, các tính năng kiến trúc mới lạ này hầu như không tồn tại. Thay vào đó, phân tích cho thấy phần lớn trọng số, từ 96% đến 98%, trùng khớp chặt chẽ với mô hình Ling-mini-base-2.0 của Ant Group.
Tại sao điều này lại quan trọng đối với hệ sinh thái Bittensor
Bittensor hoạt động dựa trên một tiền đề hoàn toàn khác biệt so với hầu hết các dự án tiền điện tử. Mạng lưới của nó khuyến khích trí tuệ máy học phi tập trung thông qua khai thác và xác thực cạnh tranh, trong đó các subnet khác nhau tập trung vào các nhiệm vụ AI khác nhau. Tập trung của Subnet 24 đã là phát triển các mô hình nền tảng ngữ cảnh dài, loại AI có thể xử lý và suy luận trên các tài liệu khổng lồ mà không bị mất mạch logic.
SILX AI đã đề xuất một tầm nhìn tham vọng cho tương lai của Quasar, bao gồm mục tiêu 10 nghìn tỷ token để đào tạo tổng thể và tuyên bố rằng các phương pháp đào tạo phi tập trung có thể giảm chi phí đến 99,5% so với các phương pháp tập trung truyền thống.
Sụp đổ token và hậu quả đối với nhà đầu tư
Các thị trường không chờ đợi những lời giải thích. Sự sụt giảm 70-75% của token SN24 trong một phiên giao dịch là loại giảm giá thường đi kèm với các cáo buộc gian lận hoặc khai thác lỗ hổng giao thức, chứ không phải các cuộc tranh luận về kiến trúc mô hình.
Khoảng cách giữa những gì đã được hứa hẹn về mặt kiến trúc, bao gồm Loop Transformer và bộ nhớ Engram, và những gì thực sự được cung cấp trong trọng số mô hình là quá rộng để có thể lấp đầy chỉ bằng marketing.