#OPG @OpenGradient
Słuchajcie, w zeszłym tygodniu pomagałem kumplowi ogarnąć temat modeli AI. Ciągle pytała, które z nich naprawdę mają znaczenie? Szczerze mówiąc, nie mogłem jej dać jednoznacznej odpowiedzi.
Większość modeli pojawia się, robi się hype, a potem znikają. Kilka zostaje, bo deweloperzy wracają, użytkownicy ciągle uruchamiają inferencje, aktualizacje się pojawiają. Ale nie ma systemu rankingowego. Nie ma rynku, który cicho decyduje, które z nich mają moc przetrwania.
Tutaj z moją uwagę zwrócił model hub opengradient. Mają ponad 4500 modeli, od ponad 100 deweloperów. Historia wersji, publiczne profile, kategorie, plac zabaw do testowania. Nie czuje się to jak repozytorium. Czuje się jak rynek.
Rynki akcji nie decydują, które firmy wygrywają, to ludzie decydują. Tutaj jest podobnie. Już przetworzono ponad 2 miliony weryfikowalnych inferencji. Modele nie są tylko wymienione. Są używane. Każda inferencja wymaga płatności i weryfikacji przez $OPG . Walidatory weryfikują dowody obliczeniowe przed zatwierdzeniem aktywności. Większe użycie oznacza większy popyt na tę warstwę koordynacyjną.
Znalazłem cztery błędy podczas testowania przesyłania modeli i inferencji: nieudane przesyłanie blobów do walrus, ponowna próba zadziałała, opóźnienie w weryfikacji attestation pod czas równoległych żądań, czas generacji dowodu zkml wygasł na złożonych modelach, oraz jedno zakłócenie wersjonowania modelu, gdzie semantyczne wersjonowanie nie mapowało się poprawnie. Wszystko było izolowane. Żadnych kaskadowych awarii.
Rozdzielenie egzekucji i weryfikacji, konsensus cometbft, architektura haca, pipe dla on-chain ml sprawia, że hub czuje się jak infrastruktura, a nie tylko magazyn.
Przyszłość może nie polegać na budowaniu największej ilości modeli.
Może chodzi o obserwowanie rynku, który cicho decyduje, które z nich mają znaczenie.
Więc, kiedy model przestaje być plikiem i zaczyna stawać się gospodarką?
$OPG
Słuchajcie, w zeszłym tygodniu pomagałem kumplowi ogarnąć temat modeli AI. Ciągle pytała, które z nich naprawdę mają znaczenie? Szczerze mówiąc, nie mogłem jej dać jednoznacznej odpowiedzi.
Większość modeli pojawia się, robi się hype, a potem znikają. Kilka zostaje, bo deweloperzy wracają, użytkownicy ciągle uruchamiają inferencje, aktualizacje się pojawiają. Ale nie ma systemu rankingowego. Nie ma rynku, który cicho decyduje, które z nich mają moc przetrwania.
Tutaj z moją uwagę zwrócił model hub opengradient. Mają ponad 4500 modeli, od ponad 100 deweloperów. Historia wersji, publiczne profile, kategorie, plac zabaw do testowania. Nie czuje się to jak repozytorium. Czuje się jak rynek.
Rynki akcji nie decydują, które firmy wygrywają, to ludzie decydują. Tutaj jest podobnie. Już przetworzono ponad 2 miliony weryfikowalnych inferencji. Modele nie są tylko wymienione. Są używane. Każda inferencja wymaga płatności i weryfikacji przez $OPG . Walidatory weryfikują dowody obliczeniowe przed zatwierdzeniem aktywności. Większe użycie oznacza większy popyt na tę warstwę koordynacyjną.
Znalazłem cztery błędy podczas testowania przesyłania modeli i inferencji: nieudane przesyłanie blobów do walrus, ponowna próba zadziałała, opóźnienie w weryfikacji attestation pod czas równoległych żądań, czas generacji dowodu zkml wygasł na złożonych modelach, oraz jedno zakłócenie wersjonowania modelu, gdzie semantyczne wersjonowanie nie mapowało się poprawnie. Wszystko było izolowane. Żadnych kaskadowych awarii.
Rozdzielenie egzekucji i weryfikacji, konsensus cometbft, architektura haca, pipe dla on-chain ml sprawia, że hub czuje się jak infrastruktura, a nie tylko magazyn.
Przyszłość może nie polegać na budowaniu największej ilości modeli.
Może chodzi o obserwowanie rynku, który cicho decyduje, które z nich mają znaczenie.
Więc, kiedy model przestaje być plikiem i zaczyna stawać się gospodarką?
$OPG