Подробный исследовательский отчет по OpenLedger: Построение управляемой данными и компонуемой агентской экономикой на основе OP Stack+EigenDA
Один. Введение | Переход модельного слоя Crypto AI
Данные, модели и вычислительная мощность являются тремя основными элементами инфраструктуры ИИ, аналогично топливу (данные), двигателю (модель) и энергии (вычислительная мощность), которые не могут обойтись без друг друга. Подобно эволюции инфраструктуры традиционной отрасли ИИ, сфера Crypto AI также прошла через аналогичные этапы. В начале 2024 года рынок на какое-то время находился под контролем децентрализованных GPU проектов, которые в основном подчеркивали логику неэкономного роста, основанную на "сравнении вычислительной мощности". Однако с наступлением 2025 года внимание отрасли постепенно переключилось на уровень моделей и данных, что знаменует собой переход Crypto AI от конкуренции за базовые ресурсы к более устойчивому и имеющему прикладную ценность среднему уровню построения.
Универсальная модель (LLM) против специализированной модели (SLM)
Традиционные крупномасштабные языковые модели (LLM) сильно зависят от больших наборов данных и сложной распределенной архитектуры, объем параметров которых колеблется от 70B до 500B, а стоимость одной тренировки часто достигает миллиона долларов. В то время как SLM (Специализированная языковая модель) представляет собой легковесную парадигму дообучения с использованием переиспользуемой базовой модели, обычно основанной на открытых моделях LLaMA, Mistral, DeepSeek и т. д., в сочетании с небольшим количеством высококачественных специализированных данных и технологиями LoRA, она позволяет быстро создавать экспертные модели с определенными знаниями в конкретной области, значительно снижая затраты на обучение и технические барьеры.
Стоит отметить, что SLM не будет интегрирован в веса LLM, а будет взаимодействовать с LLM через архитектуру Agent, динамическую маршрутизацию системы плагинов, горячую замену модулей LoRA и RAG (усиленное генерацией извлечение). Эта архитектура сохраняет широкие возможности LLM и одновременно улучшает профессиональные показатели за счет модулей тонкой настройки, формируя высоко гибкую комбинированную интеллектуальную систему.
Crypto AI в модели ценности и границах
Крипто AI проекты по своей сути сложно напрямую повысить основные способности больших языковых моделей (LLM), основная причина заключается в том, что
Слишком высокая техническая планка: объем данных, вычислительных ресурсов и инженерных возможностей, необходимых для обучения Foundation Model, чрезвычайно велик, в настоящее время только такие технологические гиганты, как США и Китай, обладают соответствующими возможностями.
Ограничения открытой экосистемы: хотя такие основные модели, как LLaMA и Mixtral, уже открыты, ключевым фактором, способствующим прорыву моделей, по-прежнему остаются научные учреждения и закрытые инженерные системы, а возможность участия цепочных проектов на уровне основных моделей ограничена.
Однако, на основе открытых моделей, проекты Crypto AI все еще могут расширять ценность через тонкую настройку специализированных языковых моделей (SLM), сочетая верифицируемость и механизмы поощрения Web3. В качестве "периферийного интерфейсного слоя" в цепочке поставок AI это проявляется в двух основных направлениях:
Достоверный уровень проверки: через запись модели на блокчейне генерируются пути, данные о вкладе и использовании, что усиливает прослеживаемость и устойчивость к подделкам выходных данных ИИ.
Механизм стимулов: с помощью родного токена для стимулирования таких действий, как загрузка данных, вызов модели и выполнение агентов, создается положительная обратная связь для обучения модели и обслуживания.
Классификация типов AI моделей и анализ применимости к блокчейну
Отсюда видно, что жизнеспособные точки применения моделей класса Crypto AI в основном сосредоточены на легковесной настройке небольших SLM, подключении и верификации цепочных данных архитектуры RAG, а также на локальном развертывании и стимуляции Edge моделей. Объединяя проверяемость блокчейна и токеномику, Crypto может предоставить уникальную ценность для этих сценариев с ограниченными ресурсами, создавая дифференцированную ценность "интерфейсного слоя" AI.
Блокчейн AI цепь на основе данных и моделей может четко и неизменно записывать источники вклада каждой отдельной записи данных и модели в блокчейне, значительно повышая доверие к данным и отслеживаемость обучения моделей. В то же время, с помощью механизма смарт-контрактов, когда данные или модели вызываются, автоматически инициируется распределение вознаграждений, превращая действия AI в количественно измеримую и торгуемую токенизированную ценность, создавая устойчивую систему стимулов. Кроме того, пользователи сообщества могут оценивать производительность моделей через голосование токенами, участвовать в разработке правил и итерациях, совершенствуя децентрализованную структуру управления.
! [Подробный исследовательский отчет OpenLedger: Построение управляемой данными, компонуемой агентной экономикой на основе модели на основе OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменты-62b3fa1e810f4772aaba3d91c74c1aa6)
II. Обзор проекта | Видение AI Chain от OpenLedger
OpenLedger является одним из немногих блокчейн AI проектов на текущем рынке, сосредоточенных на механизмах стимуляции данных и моделей. Он первым предложил концепцию "Payable AI", целью которой является создание справедливой, прозрачной и совместимой среды для работы AI, стимулируя участников, предоставляющих данные, разработчиков моделей и создателей AI приложений, сотрудничать на одной платформе и получать доход на основе фактического вклада.
OpenLedger предоставляет полный цепной замкнутый цикл от "предоставления данных" до "развертывания модели" и "вызова распределения прибыли", его основные модули включают:
Модельная фабрика: без необходимости в программировании можно использовать LoRA для дообучения и развертывания кастомизированных моделей на основе открытых LLM;
OpenLoRA: поддержка совместного использования тысяч моделей, динамическая загрузка по мере необходимости, значительное снижение затрат на развертывание;
PoA（Proof of Attribution）：через записи вызова в цепочке реализуется измерение вклада и распределение вознаграждений；
Datanets: Структурированная сетевая информация, ориентированная на вертикальные сцены, строится и проверяется сообществом;
Платформа предложений моделей (Model Proposal Platform): комбинируемый, вызываемый и оплачиваемый рынок моделей на блокчейне.
С помощью вышеуказанных модулей OpenLedger создала "инфраструктуру экономики агентов", основанную на данных и комбинируемых моделях, способствующую ончейн-реализации цепочки ценности ИИ.
А в применении технологии блокчейн OpenLedger использует OP Stack + EigenDA в качестве основы, создавая высокопроизводительную, низкозатратную и проверяемую среду для работы с данными и контрактами для AI-моделей.
Построено на основе OP Stack: основано на технологии Optimism, поддерживает высокую пропускную способность и низкие затраты на выполнение;
Расчет в основной сети Ethereum: Обеспечение безопасности транзакций и целостности активов;
Совместимость с EVM: Удобство для разработчиков для быстрой развертки и расширения на основе Solidity;
EigenDA предоставляет поддержку доступности данных: значительно снижает затраты на хранение, обеспечивает проверяемость данных.
В отличие от таких более низкоуровневых блокчейнов, как NEAR, которые ориентированы на суверенитет данных и архитектуру "AI Agents on BOS", OpenLedger больше сосредоточен на создании специализированных AI-блокчейнов, направленных на стимулирование данных и моделей, стремясь сделать разработку и вызов моделей на блокчейне отслеживаемыми,Composable и устойчивыми в рамках ценностного замыкания. Это инфраструктура для стимулирования моделей в мире Web3, сочетающая в себе хостинг моделей в стиле HuggingFace, выставление счетов за использование в стиле Stripe и интерфейсы для компоновки на блокчейне в стиле Infura, продвигая путь к реализации "модель как актив".
! [Подробный исследовательский отчет OpenLedger: Построение управляемой данными, компонуемой агентной экономикой на основе модели на основе OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменты-19c2276fccc616ccf9260fb7e35c9c24)
Три. Основные компоненты и технологическая архитектура OpenLedger
3.1 Модельный завод, безкодовая модельная фабрика
ModelFactory является крупной платформой для дообучения языковых моделей (LLM) в экосистеме OpenLedger. В отличие от традиционных фреймворков дообучения, ModelFactory предоставляет чисто графический интерфейс для работы, не требуя инструментов командной строки или интеграции API. Пользователи могут дообучать модели на основе наборов данных, которые были авторизованы и проверены на OpenLedger. Реализован интегрированный рабочий процесс, включающий авторизацию данных, обучение моделей и развертывание, его ключевые этапы включают:
Контроль доступа к данным: Пользователь отправляет запрос на данные, поставщик проверяет и одобряет, данные автоматически подключаются к интерфейсу обучения модели.
Выбор и настройка модели: поддержка основных LLM (таких как LLaMA, Mistral), настройка гиперпараметров через GUI.
Легкая настройка: Встроенный движок LoRA / QLoRA, отображающий процесс обучения в реальном времени.
Оценка и развертывание моделей: встроенные инструменты оценки, поддержка экспорта развертывания или совместного использования экосистемы.
Интерфейс верификации взаимодействия: предоставляет чат-интерфейс, удобный для прямого тестирования способности модели отвечать на вопросы.
Генерация RAG для отслеживания: ответы с указанием источника цитирования, повышающие доверие и аудит.
Архитектура системы Model Factory включает шесть основных модулей, охватывающих идентификацию, управление данными, тонкую настройку моделей, оценку развертывания и трассировку RAG, создавая безопасную и контролируемую, интерактивную в реальном времени и устойчивую к монетизации интегрированную платформу модельных услуг.
! [Подробный исследовательский отчет OpenLedger: Построение управляемой данными, компонуемой агентной экономикой на основе модели на основе OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменты-f23f47f09226573b1fcacebdcfb8c1f3)
Модельная фабрика в настоящее время поддерживает следующие возможности крупных языковых моделей:
Серия LLaMA: самый широкий экосистема, активное сообщество, универсальная производительность, одна из наиболее популярных открытых базовых моделей на данный момент.
Mistral: архитектура эффективна, производительность вывода отличная, подходит для гибкого развертывания в условиях ограниченных ресурсов.
Qwen: Продукт от Alibaba, отлично выполняет задачи на китайском языке, обладает высокой综合能力, подходит для отечественных разработчиков в качестве первого выбора.
ChatGLM: выдающийся эффект китайского диалога, подходит для специализированных служб поддержки и локализованных сценариев.
Deepseek: проявляет превосходство в кодогенерации и математическом выводе, подходит для инструментов помощи в интеллектуальной разработке.
Gemma: Легкая модель, выпущенная Google, с ясной структурой, легко освоить и экспериментировать.
Falcon：Ранее был эталоном производительности, подходит для фундаментальных исследований или сравнительных тестов, но активность сообщества снизилась.
BLOOM: Поддержка нескольких языков довольно сильная, но производительность вывода слабая, подходит для исследований, охватывающих языки.
GPT-2：Классическая ранняя модель, подходит только для учебных и проверочных целей, не рекомендуется для реального развертывания.
Хотя модельный состав OpenLedger не включает в себя последние высокопроизводительные модели MoE или многомодальные модели, его стратегия не устарела, а основана на реальных ограничениях, связанных с онлайновым развертыванием (стоимость вывода, адаптация RAG, совместимость LoRA, среда EVM), что привело к конфигурации с приоритетом практичности.
Model Factory как инструмент без кода, все модели имеют встроенный механизм доказательства вклада, что обеспечивает права участников данных и разработчиков моделей, обладает низким порогом, возможностью монетизации и компоновки, по сравнению с традиционными инструментами разработки моделей:
Для разработчиков: предоставление полного пути к инкубации, распространению и доходам моделей;
Для платформы: формирование экосистемы обращения и сочетания модельных активов;
Для пользователей: можно комбинировать использование моделей или агентов, как при вызове API.
! [Подробный исследовательский отчет OpenLedger: Построение управляемой данными, компонуемой агентной экономикой на основе модели на основе OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменты-909dc3f796ad6aa44a1c97a51ade4193)
3.2 OpenLoRA, токенизация on-chain активов модели дообучения
LoRA (Low-Rank Adaptation) — это эффективный метод тонкой настройки параметров, который позволяет изучать новые задачи, вставляя "низкоранговые матрицы" в предварительно обученные большие модели, не изменяя параметры оригинальной модели, что значительно снижает затраты на обучение и требования к хранению. Традиционные большие языковые модели (такие как LLaMA, GPT-3) обычно имеют десятки миллиардов, а то и сотни миллиардов параметров. Чтобы использовать их для конкретных задач (таких как правовые консультации, медицинские консультации), необходимо провести тонкую настройку (fine-tuning). Основная стратегия LoRA заключается в следующем: "заморозить параметры оригинальной большой модели и обучать только вставленные новые параметры матрицы." Это обеспечивает высокую эффективность параметров, быструю тренировку и гибкое развертывание, что делает его текущим наиболее подходящим основным методом тонкой настройки для развертывания и комбинированного вызова моделей Web3.
OpenLoRA — это легковесный фреймворк для инференса, разработанный OpenLedger, специально предназначенный для развертывания нескольких моделей и совместного использования ресурсов. Его основной целью является решение распространенных проблем, связанных с развертыванием AI моделей, таких как высокие затраты, низкая повторяемость и неэффективное использование ресурсов GPU, способствуя реализации "оплачиваемого AI" (Payable AI).
Ядро архитектуры системы OpenLoRA, основанное на модульном дизайне, охватывает ключевые аспекты, такие как хранение моделей, выполнение вывода, маршрутизация запросов и т. д., обеспечивая эффективные и низкозатратные возможности развертывания и вызова множества моделей:
Модуль хранения LoRA Adapter (LoRA Adapters Storage): дообученные адаптеры LoRA размещаются на OpenLedger, что позволяет загружать их по мере необходимости, избегая предзагрузки всех моделей в видеопамять и экономя ресурсы.
Хостинг моделей и динамическое слияние
Посмотреть Оригинал
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
OpenLedger: Создание инфраструктуры экономики интеллектуальных агентов, основанной на данных
Подробный исследовательский отчет по OpenLedger: Построение управляемой данными и компонуемой агентской экономикой на основе OP Stack+EigenDA
Один. Введение | Переход модельного слоя Crypto AI
Данные, модели и вычислительная мощность являются тремя основными элементами инфраструктуры ИИ, аналогично топливу (данные), двигателю (модель) и энергии (вычислительная мощность), которые не могут обойтись без друг друга. Подобно эволюции инфраструктуры традиционной отрасли ИИ, сфера Crypto AI также прошла через аналогичные этапы. В начале 2024 года рынок на какое-то время находился под контролем децентрализованных GPU проектов, которые в основном подчеркивали логику неэкономного роста, основанную на "сравнении вычислительной мощности". Однако с наступлением 2025 года внимание отрасли постепенно переключилось на уровень моделей и данных, что знаменует собой переход Crypto AI от конкуренции за базовые ресурсы к более устойчивому и имеющему прикладную ценность среднему уровню построения.
Универсальная модель (LLM) против специализированной модели (SLM)
Традиционные крупномасштабные языковые модели (LLM) сильно зависят от больших наборов данных и сложной распределенной архитектуры, объем параметров которых колеблется от 70B до 500B, а стоимость одной тренировки часто достигает миллиона долларов. В то время как SLM (Специализированная языковая модель) представляет собой легковесную парадигму дообучения с использованием переиспользуемой базовой модели, обычно основанной на открытых моделях LLaMA, Mistral, DeepSeek и т. д., в сочетании с небольшим количеством высококачественных специализированных данных и технологиями LoRA, она позволяет быстро создавать экспертные модели с определенными знаниями в конкретной области, значительно снижая затраты на обучение и технические барьеры.
Стоит отметить, что SLM не будет интегрирован в веса LLM, а будет взаимодействовать с LLM через архитектуру Agent, динамическую маршрутизацию системы плагинов, горячую замену модулей LoRA и RAG (усиленное генерацией извлечение). Эта архитектура сохраняет широкие возможности LLM и одновременно улучшает профессиональные показатели за счет модулей тонкой настройки, формируя высоко гибкую комбинированную интеллектуальную систему.
Crypto AI в модели ценности и границах
Крипто AI проекты по своей сути сложно напрямую повысить основные способности больших языковых моделей (LLM), основная причина заключается в том, что
Однако, на основе открытых моделей, проекты Crypto AI все еще могут расширять ценность через тонкую настройку специализированных языковых моделей (SLM), сочетая верифицируемость и механизмы поощрения Web3. В качестве "периферийного интерфейсного слоя" в цепочке поставок AI это проявляется в двух основных направлениях:
Классификация типов AI моделей и анализ применимости к блокчейну
Отсюда видно, что жизнеспособные точки применения моделей класса Crypto AI в основном сосредоточены на легковесной настройке небольших SLM, подключении и верификации цепочных данных архитектуры RAG, а также на локальном развертывании и стимуляции Edge моделей. Объединяя проверяемость блокчейна и токеномику, Crypto может предоставить уникальную ценность для этих сценариев с ограниченными ресурсами, создавая дифференцированную ценность "интерфейсного слоя" AI.
Блокчейн AI цепь на основе данных и моделей может четко и неизменно записывать источники вклада каждой отдельной записи данных и модели в блокчейне, значительно повышая доверие к данным и отслеживаемость обучения моделей. В то же время, с помощью механизма смарт-контрактов, когда данные или модели вызываются, автоматически инициируется распределение вознаграждений, превращая действия AI в количественно измеримую и торгуемую токенизированную ценность, создавая устойчивую систему стимулов. Кроме того, пользователи сообщества могут оценивать производительность моделей через голосование токенами, участвовать в разработке правил и итерациях, совершенствуя децентрализованную структуру управления.
! [Подробный исследовательский отчет OpenLedger: Построение управляемой данными, компонуемой агентной экономикой на основе модели на основе OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменты-62b3fa1e810f4772aaba3d91c74c1aa6)
II. Обзор проекта | Видение AI Chain от OpenLedger
OpenLedger является одним из немногих блокчейн AI проектов на текущем рынке, сосредоточенных на механизмах стимуляции данных и моделей. Он первым предложил концепцию "Payable AI", целью которой является создание справедливой, прозрачной и совместимой среды для работы AI, стимулируя участников, предоставляющих данные, разработчиков моделей и создателей AI приложений, сотрудничать на одной платформе и получать доход на основе фактического вклада.
OpenLedger предоставляет полный цепной замкнутый цикл от "предоставления данных" до "развертывания модели" и "вызова распределения прибыли", его основные модули включают:
С помощью вышеуказанных модулей OpenLedger создала "инфраструктуру экономики агентов", основанную на данных и комбинируемых моделях, способствующую ончейн-реализации цепочки ценности ИИ.
А в применении технологии блокчейн OpenLedger использует OP Stack + EigenDA в качестве основы, создавая высокопроизводительную, низкозатратную и проверяемую среду для работы с данными и контрактами для AI-моделей.
В отличие от таких более низкоуровневых блокчейнов, как NEAR, которые ориентированы на суверенитет данных и архитектуру "AI Agents on BOS", OpenLedger больше сосредоточен на создании специализированных AI-блокчейнов, направленных на стимулирование данных и моделей, стремясь сделать разработку и вызов моделей на блокчейне отслеживаемыми,Composable и устойчивыми в рамках ценностного замыкания. Это инфраструктура для стимулирования моделей в мире Web3, сочетающая в себе хостинг моделей в стиле HuggingFace, выставление счетов за использование в стиле Stripe и интерфейсы для компоновки на блокчейне в стиле Infura, продвигая путь к реализации "модель как актив".
! [Подробный исследовательский отчет OpenLedger: Построение управляемой данными, компонуемой агентной экономикой на основе модели на основе OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменты-19c2276fccc616ccf9260fb7e35c9c24)
Три. Основные компоненты и технологическая архитектура OpenLedger
3.1 Модельный завод, безкодовая модельная фабрика
ModelFactory является крупной платформой для дообучения языковых моделей (LLM) в экосистеме OpenLedger. В отличие от традиционных фреймворков дообучения, ModelFactory предоставляет чисто графический интерфейс для работы, не требуя инструментов командной строки или интеграции API. Пользователи могут дообучать модели на основе наборов данных, которые были авторизованы и проверены на OpenLedger. Реализован интегрированный рабочий процесс, включающий авторизацию данных, обучение моделей и развертывание, его ключевые этапы включают:
Архитектура системы Model Factory включает шесть основных модулей, охватывающих идентификацию, управление данными, тонкую настройку моделей, оценку развертывания и трассировку RAG, создавая безопасную и контролируемую, интерактивную в реальном времени и устойчивую к монетизации интегрированную платформу модельных услуг.
! [Подробный исследовательский отчет OpenLedger: Построение управляемой данными, компонуемой агентной экономикой на основе модели на основе OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменты-f23f47f09226573b1fcacebdcfb8c1f3)
Модельная фабрика в настоящее время поддерживает следующие возможности крупных языковых моделей:
Хотя модельный состав OpenLedger не включает в себя последние высокопроизводительные модели MoE или многомодальные модели, его стратегия не устарела, а основана на реальных ограничениях, связанных с онлайновым развертыванием (стоимость вывода, адаптация RAG, совместимость LoRA, среда EVM), что привело к конфигурации с приоритетом практичности.
Model Factory как инструмент без кода, все модели имеют встроенный механизм доказательства вклада, что обеспечивает права участников данных и разработчиков моделей, обладает низким порогом, возможностью монетизации и компоновки, по сравнению с традиционными инструментами разработки моделей:
! [Подробный исследовательский отчет OpenLedger: Построение управляемой данными, компонуемой агентной экономикой на основе модели на основе OP Stack+EigenDA](https://img-cdn.gateio.im/social/ моменты-909dc3f796ad6aa44a1c97a51ade4193)
3.2 OpenLoRA, токенизация on-chain активов модели дообучения
LoRA (Low-Rank Adaptation) — это эффективный метод тонкой настройки параметров, который позволяет изучать новые задачи, вставляя "низкоранговые матрицы" в предварительно обученные большие модели, не изменяя параметры оригинальной модели, что значительно снижает затраты на обучение и требования к хранению. Традиционные большие языковые модели (такие как LLaMA, GPT-3) обычно имеют десятки миллиардов, а то и сотни миллиардов параметров. Чтобы использовать их для конкретных задач (таких как правовые консультации, медицинские консультации), необходимо провести тонкую настройку (fine-tuning). Основная стратегия LoRA заключается в следующем: "заморозить параметры оригинальной большой модели и обучать только вставленные новые параметры матрицы." Это обеспечивает высокую эффективность параметров, быструю тренировку и гибкое развертывание, что делает его текущим наиболее подходящим основным методом тонкой настройки для развертывания и комбинированного вызова моделей Web3.
OpenLoRA — это легковесный фреймворк для инференса, разработанный OpenLedger, специально предназначенный для развертывания нескольких моделей и совместного использования ресурсов. Его основной целью является решение распространенных проблем, связанных с развертыванием AI моделей, таких как высокие затраты, низкая повторяемость и неэффективное использование ресурсов GPU, способствуя реализации "оплачиваемого AI" (Payable AI).
Ядро архитектуры системы OpenLoRA, основанное на модульном дизайне, охватывает ключевые аспекты, такие как хранение моделей, выполнение вывода, маршрутизация запросов и т. д., обеспечивая эффективные и низкозатратные возможности развертывания и вызова множества моделей: