一個去中心化的人工智慧專案剛剛以慘痛的方式領教到，加密貨幣社群非常擅長核對收據。Quasar 作為 Bittensor 網路上的 Subnet 24，發布了其稱為突破性的 1200 億參數模型，並配備 500 萬 token 的上下文視窗。數小時內，獨立研究人員發現，其約 96–98% 的權重與螞蟻集團的現有模型幾乎完全相同。
後果迅速出現。SN24 的 alpha 代幣在單一交易時段內下跌了約 70-75%。
模型與不匹配
由 SILX AI 主導的 Quasar 已為此時刻籌備數月。該項目於 2026 年 4 月推出了 Quasar-Preview（總參數約 200 億）和 Quasar-3B，兩者均被定位為在 Bittensor 網絡上完全通過去中心化方法訓練更大模型的過渡階段。
120B 版本本應是成果的體現。SILX AI 將此模型宣傳為去中心化訓練的勝利，並承諾了諸如「Loop Transformer」和「Engram 記憶」之類的架構創新。這些功能旨在解決標準 Transformer 架構在處理極長上下文時所面臨的記憶與連貫性問題。
當獨立分析師深入檢查實際的模型權重時，這些新穎的架構特徵幾乎不存在。相反，分析顯示，絕大多數權重（約在 96% 至 98% 之間）與螞蟻集團的 Ling-mini-base-2.0 模型高度吻合。
這對 Bittensor 的生態至關重要
Bittensor 的運作基礎與大多數加密貨幣專案截然不同。其網路透過競爭性挖礦與驗證，激勵去中心化的機器智慧，不同的子網專注於不同的 AI 任務。子網 24 的重點在於開發長上下文基礎模型，這類 AI 能夠在不遺失脈絡的情況下處理與推理海量文件。
SILX AI 提出了一個雄心勃勃的 Quasar 未來願景，包括總共 10 兆枚代幣的訓練目標，並聲稱去中心化訓練方法可比傳統集中式方法降低 99.5% 的成本。
代幣崩盤與投資者受挫
市場並未等待解釋。SN24 alpha 代幣在單一交易時段內下跌 70-75%，這種跌幅通常伴隨著詐騙指控或協議被攻擊，而非模型架構的討論。
架構上承諾的內容，包括 Loop Transformer 和 Engram 記憶，與實際在模型權重中交付的內容之間的差距，單靠行銷無法彌補。