Подробный исследовательский отчет по OpenLedger: Построение управляемой данными и компонуемой агентской экономикой на основе OP Stack+EigenDA
Один. Введение | Переход модели Crypto AI
Данные, модели и вычислительная мощность являются тремя основными элементами инфраструктуры ИИ, без которых невозможно обойтись. Область Crypto AI пережила аналогичный путь эволюции, как и традиционная индустрия ИИ. В начале 2024 года рынок был поделен между децентрализованными GPU проектами, подчеркивающими логику грубого роста "сравнения вычислительной мощности". После 2025 года внимание отрасли постепенно сместится к уровням модели и данных, что станет символом перехода Crypto AI от конкуренции за ресурсы к более устойчивому и ценному приложению на среднем уровне.
! [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)
Общая модель (LLM) против специализированной модели (SLM)
Традиционные большие языковые модели (LLM) требуют значительных затрат на обучение, полагаясь на большие наборы данных и сложную архитектуру. Специализированные языковые модели (SLM) представляют собой легковесный подход к дообучению, который основывается на открытых моделях и сочетает небольшое количество высококачественных специализированных данных для быстрого создания моделей в определенной области, что значительно снижает затраты и барьеры для входа.
SLM взаимодействует с LLM через архитектуру Agent, систему плагинов, горячую замену модулей LoRA, RAG и другие способы. Эта архитектура сохраняет широкие возможности LLM и одновременно усиливает профессиональные характеристики через специализированные модули, формируя гибкую модульную интеллектуальную систему.
Значение и границы Crypto AI на уровне моделей
Crypto AI проектам трудно напрямую улучшить основные возможности LLM, причина в том, что:
Технический порог слишком высок: ресурсы и способности, необходимые для обучения модели Foundation, крайне велики и доступны лишь немногим технологическим гигантам.
Ограничения открытой экосистемы: ключ к настоящему прорыву модели сосредоточен в научно-исследовательских институтах и закрытых инженерных системах.
Однако проект Crypto AI может реализовать расширение ценности через тонкую настройку SLM, сочетая проверяемость и механизмы стимулирования Web3. В качестве "периферийного интерфейсного слоя" AI цепочки поставок, это проявляется в двух направлениях:
Достоверный уровень проверки: улучшение отслеживаемости и защиты от подделки вывода ИИ.
Механизм стимуляции: создание положительной циклической модели обучения и обслуживания.
Анализ классификации типов AI моделей и их применимость к блокчейну
Модельные классы проектов Crypto AI могут сосредоточиться на основном применении в мелком наладке SLM, подключении и верификации цепочных данных архитектуры RAG, а также на локальном развертывании и стимулировании моделей Edge. Crypto может предоставить уникальную ценность для этих сценариев моделей с низкими и средними ресурсами, формируя дифференцированную ценность "интерфейсного слоя" AI.
Блокчейн AI цепь на основе данных и моделей может записывать источники вкладов данных и моделей в цепочку, увеличивая доверие и прослеживаемость. Через механизм смарт-контрактов автоматически срабатывает распределение вознаграждений при вызове, превращая поведение AI в измеримую и торговую токенизированную ценность. Участники сообщества могут голосовать токенами для оценки производительности модели и участвовать в разработке правил, улучшая архитектуру децентрализованного 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-19c2276fccc616ccf9260fb7e35c9c24)
Два, Обзор проекта | Визия AI Chain OpenLedger
OpenLedger — это блокчейн AI проект, сосредоточенный на механизмах стимулов для данных и моделей. Он предлагает концепцию "Payable AI", создавая справедливую, прозрачную и компонуемую среду для работы AI, чтобы стимулировать стороны сотрудничать на одной платформе и получать доход на цепочке.
OpenLedger предоставляет полный замкнутый цикл от "поставки данных" до "развертывания моделей" и "вызова распределения прибыли", ключевые модули включают:
Модельная фабрика: настройка, обучение и развертывание пользовательских моделей на основе открытого LLM без программирования
OpenLoRA: поддержка сосуществования тысяч моделей, динамическая загрузка по мере необходимости, значительно снижает затраты на развертывание
PoA (Доказательство Принадлежности): реализация измерения вклада и распределения вознаграждений
Datanets: Структурированная сеть данных, ориентированная на вертикальные сценарии
Платформа предложений моделей: комбинируемый, вызываемый, оплачиваемый онлайновый рынок моделей
OpenLedger использует OP Stack + EigenDA в качестве основы для создания высокопроизводительной, низкозатратной и проверяемой среды выполнения данных и контрактов для AI моделей.
Построено на основе OP Stack: поддержка высокой пропускной способности и низких затрат на выполнение
Расчет в основной сети Ethereum: обеспечение безопасности транзакций и целостности активов
EVM совместимость: удобно для разработчиков быстро развертывать и расширять
EigenDA предоставляет поддержку доступности данных: снижает затраты на хранение, обеспечивает проверяемость данных
В отличие от таких универсальных AI-цепей, как NEAR, ориентированных на нижний уровень, OpenLedger более сосредоточена на создании специализированной цепи AI, нацеленной на данные и модели, стремясь сделать разработку и вызов моделей реализуемыми в цепи с возможностью отслеживания, комбинирования и устойчивой ценностной замыкания. Это инфраструктура для стимуляции моделей в мире Web3, объединяющая хостинг моделей, расчет за использование и комбинируемые интерфейсы на цепи, способствуя реализации пути "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-f23f47f09226573b1fcacebdcfb8c1f3)
Три, основные компоненты и техническая архитектура OpenLedger
3.1 Модельный завод,无需代码模型工厂
ModelFactory является платформой LLM для тонкой настройки в экосистеме OpenLedger. Она предоставляет полностью графический интерфейс для работы, без необходимости использования командной строки или интеграции API. Пользователи могут настраивать модели на основе авторизованных и проверенных наборов данных, реализуя интегрированный рабочий процесс авторизации данных, обучения моделей и развертывания. Основные процессы включают:
Контроль доступа к данным
Выбор и настройка модели
Легкая настройка
Оценка и развертывание модели
Интерфейс проверки взаимодействия
Генерация RAG отслеживания
Архитектура системы Model Factory включает шесть основных модулей, охватывающих аутентификацию личности, управление правами доступа к данным, тонкую настройку моделей, оценку и развертывание, а также трассировку RAG, создавая интегрированную платформу сервисов моделей, обеспечивающую безопасность и контроль, интерактивность в реальном времени и устойчивую монетизацию.
ModelFactory в настоящее время поддерживает такие крупные языковые модели, как LLaMA, Mistral, Qwen, ChatGLM, Deepseek, Gemma, Falcon, BLOOM, GPT-2 и др. Хотя в него не включены последние высокопроизводительные модели MoE или мультимодальные модели, он сделал конфигурацию с приоритетом на "практичность" на основе реальных ограничений, связанных с развертыванием на блокчейне.
Model Factory как инструмент без кода, все модели имеют встроенный механизм подтверждения вклада, что обеспечивает права участников данных и разработчиков моделей, обладает низким порогом, возможностью монетизации и компоновки.
! [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, активы на блокчейне для дообученных моделей
LoRA — это эффективный метод тонкой настройки параметров, который позволяет изучать новые задачи, вставляя "низкоранговые матрицы" в предобученные большие модели, не изменяя параметры оригинальной модели, что значительно снижает затраты на обучение и требования к хранению.
OpenLoRA — это легковесный фреймворк для вывода, разработанный OpenLedger, специально предназначенный для развертывания нескольких моделей и совместного использования ресурсов. Он решает проблемы высоких затрат, низкой повторной используемости и неэффективного использования ресурсов GPU, возникающие при развертывании текущих AI моделей, способствуя реализации "оплачиваемого AI".
Ядро компонентов архитектуры системы OpenLoRA включает:
Модуль хранения LoRA Adapter
Модельное хранилище и динамический слой融合
Интеллектуальный движок
Модуль маршрутизации запросов и потокового вывода
Процесс вывода OpenLoRA включает в себя загрузку базовой модели, динамический поиск LoRA, активацию слияния адаптеров, выполнение вывода и потоковую передачу, завершение вывода и освобождение ресурсов.
OpenLoRA значительно повысил эффективность развертывания и вывода нескольких моделей благодаря ряду оптимизаций на низком уровне. Его ядро включает динамическую загрузку адаптеров LoRA, тензорное параллельное исполнение и Paged Attention, слияние нескольких моделей, Flash Attention, предварительно скомпилированные CUDA ядра и технологии квантования.
OpenLoRA — это не только эффективная рамка для вывода LoRA, но и глубокая интеграция вывода модели с механизмами стимулов Web3, целью которой является превращение модели LoRA в вызываемый, комбинируемый и распределяемый Web3 актив. Это реализует:
Модель — это актив
Много LoRA динамического объединения + распределение прибыли
Поддержка "многоарендного совместного вывода" для длиннохвостовых моделей
OpenLedger ожидает, что производственные показатели OpenLoRA в будущем будут значительно лучше традиционных моделей с полными параметрами, но эти показатели ближе к "предельным показателям" и должны рассматриваться как "идеальный предел", а не как "стабильная повседневность".
! [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-f49cfa5ea73fc0018250d04193b34b60)
3.3 Datanets (数据网络), от суверенитета данных до интеллектуальных данных
Datanets является инфраструктурой OpenLedger "данные как активы" для сбора и управления наборами данных в определенных областях. Каждый Datanet похож на структурированный склад данных, куда вкладчики загружают данные, и с помощью механизма принадлежности в цепочке гарантируется, что данные можно проследить и им можно доверять.
По сравнению с проектами, сосредоточенными на суверенитете данных, OpenLedger с помощью трех основных модулей: Datanets, Model Factory и OpenLoRA, расширяет ценность данных до обучения моделей и вызовов на блокчейне, создавая полный замкнутый цикл "от данных к интеллекту". OpenLedger сосредотачивается на том, "как данные обучаются, вызываются и получают вознаграждение", занимая ключевую позицию на пути монетизации данных в экосистеме Web3 AI.
! [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-9fbd934d293142e4fdd386eee4afd41a)
3.4 Доказательство атрибуции（贡献证明）：пересмотр стимулов для распределения利益.
Proof of Attribution（PoA）является核心 механизмом OpenLedger для реализации принадлежности данных и распределения стимулов. Процесс принадлежности данных и стимулов включает в себя:
Отправка данных
Оценка воздействия
Тренировочная проверка
Стимулирующее распределение
Управление качеством
PoA не только инструмент распределения вознаграждений, но и рамка, направленная на прозрачность, отслеживание источников и многоступенчатую принадлежность. Он полностью записывает процесс загрузки данных, вызова модели и выполнения агентом в блокчейн, обеспечивая проверяемый путь ценности от начала до конца.
RAG Attribution — это механизм присвоения данных и стимулов, созданный OpenLedger в контексте RAG, который обеспечивает возможность отслеживания и проверки содержания, выводимого моделью, и мотивацию для вкладчиков. Его процесс включает в себя:
Пользовательский запрос → Поиск данных
Данные были вызваны и сгенерировали ответ
Участники получают вознаграждение
Генерация результатов с ссылкой
Атрибуция RAG от OpenLedger позволяет отслеживать каждый ответ ИИ к реальным источникам данных, а участники получают вознаграждение в зависимости от частоты цитирования, реализуя "знания имеют источник, использование может быть монетизировано". Этот механизм повышает прозрачность выводов модели и создает устойчивую систему стимулов для вклада качественных данных.
! [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-FB455C53ffCE25E4AAFD015DE8a70E1B)
Четыре, Прогресс проекта OpenLedger и экологическое сотрудничество
OpenLedger запустил тестовую сеть, где интеллектуальный уровень данных является первым этапом, направленным на создание интернет-склада данных, управляемого узлами сообщества. Члены сообщества могут запускать узлы на краевых устройствах, участвовать в сборе и обработке данных, получая баллы за активность и выполнение задач.
Тестовая сеть предлагает три типа механизмов дохода:
Майнинг данных
Проверка транзакций
Участие в задаче
Тестовая сеть Epoch 2 акцентирует внимание на механизме Datanets для сети данных, доступном только для пользователей из белого списка, охватывающем задачи проверки данных, классификации и другие.
OpenLedger более долгосрочное планирование дорожной карты включает:
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» .
11 Лайков
Награда
11
7
Поделиться
комментарий
0/400
StableGeniusDegen
· 9ч назад
Неужели L2 сможет создать AI-экономику?
Посмотреть ОригиналОтветить0
CAACTrainingInstitution
· 10ч назад
Смотря по ситуации, вернуть к нулю — это рано или поздно произойдет.
OpenLedger строит экономику умных агентов, управляемую данными, объединяя базовую архитектуру OP Stack и EigenDA.
Подробный исследовательский отчет по OpenLedger: Построение управляемой данными и компонуемой агентской экономикой на основе OP Stack+EigenDA
Один. Введение | Переход модели Crypto AI
Данные, модели и вычислительная мощность являются тремя основными элементами инфраструктуры ИИ, без которых невозможно обойтись. Область Crypto AI пережила аналогичный путь эволюции, как и традиционная индустрия ИИ. В начале 2024 года рынок был поделен между децентрализованными GPU проектами, подчеркивающими логику грубого роста "сравнения вычислительной мощности". После 2025 года внимание отрасли постепенно сместится к уровням модели и данных, что станет символом перехода Crypto AI от конкуренции за ресурсы к более устойчивому и ценному приложению на среднем уровне.
! [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)
Общая модель (LLM) против специализированной модели (SLM)
Традиционные большие языковые модели (LLM) требуют значительных затрат на обучение, полагаясь на большие наборы данных и сложную архитектуру. Специализированные языковые модели (SLM) представляют собой легковесный подход к дообучению, который основывается на открытых моделях и сочетает небольшое количество высококачественных специализированных данных для быстрого создания моделей в определенной области, что значительно снижает затраты и барьеры для входа.
SLM взаимодействует с LLM через архитектуру Agent, систему плагинов, горячую замену модулей LoRA, RAG и другие способы. Эта архитектура сохраняет широкие возможности LLM и одновременно усиливает профессиональные характеристики через специализированные модули, формируя гибкую модульную интеллектуальную систему.
Значение и границы Crypto AI на уровне моделей
Crypto AI проектам трудно напрямую улучшить основные возможности LLM, причина в том, что:
Однако проект Crypto AI может реализовать расширение ценности через тонкую настройку SLM, сочетая проверяемость и механизмы стимулирования Web3. В качестве "периферийного интерфейсного слоя" AI цепочки поставок, это проявляется в двух направлениях:
Анализ классификации типов AI моделей и их применимость к блокчейну
Модельные классы проектов Crypto AI могут сосредоточиться на основном применении в мелком наладке SLM, подключении и верификации цепочных данных архитектуры RAG, а также на локальном развертывании и стимулировании моделей Edge. Crypto может предоставить уникальную ценность для этих сценариев моделей с низкими и средними ресурсами, формируя дифференцированную ценность "интерфейсного слоя" AI.
Блокчейн AI цепь на основе данных и моделей может записывать источники вкладов данных и моделей в цепочку, увеличивая доверие и прослеживаемость. Через механизм смарт-контрактов автоматически срабатывает распределение вознаграждений при вызове, превращая поведение AI в измеримую и торговую токенизированную ценность. Участники сообщества могут голосовать токенами для оценки производительности модели и участвовать в разработке правил, улучшая архитектуру децентрализованного 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-19c2276fccc616ccf9260fb7e35c9c24)
Два, Обзор проекта | Визия AI Chain OpenLedger
OpenLedger — это блокчейн AI проект, сосредоточенный на механизмах стимулов для данных и моделей. Он предлагает концепцию "Payable AI", создавая справедливую, прозрачную и компонуемую среду для работы AI, чтобы стимулировать стороны сотрудничать на одной платформе и получать доход на цепочке.
OpenLedger предоставляет полный замкнутый цикл от "поставки данных" до "развертывания моделей" и "вызова распределения прибыли", ключевые модули включают:
OpenLedger использует OP Stack + EigenDA в качестве основы для создания высокопроизводительной, низкозатратной и проверяемой среды выполнения данных и контрактов для AI моделей.
В отличие от таких универсальных AI-цепей, как NEAR, ориентированных на нижний уровень, OpenLedger более сосредоточена на создании специализированной цепи AI, нацеленной на данные и модели, стремясь сделать разработку и вызов моделей реализуемыми в цепи с возможностью отслеживания, комбинирования и устойчивой ценностной замыкания. Это инфраструктура для стимуляции моделей в мире Web3, объединяющая хостинг моделей, расчет за использование и комбинируемые интерфейсы на цепи, способствуя реализации пути "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-f23f47f09226573b1fcacebdcfb8c1f3)
Три, основные компоненты и техническая архитектура OpenLedger
3.1 Модельный завод,无需代码模型工厂
ModelFactory является платформой LLM для тонкой настройки в экосистеме OpenLedger. Она предоставляет полностью графический интерфейс для работы, без необходимости использования командной строки или интеграции API. Пользователи могут настраивать модели на основе авторизованных и проверенных наборов данных, реализуя интегрированный рабочий процесс авторизации данных, обучения моделей и развертывания. Основные процессы включают:
Архитектура системы Model Factory включает шесть основных модулей, охватывающих аутентификацию личности, управление правами доступа к данным, тонкую настройку моделей, оценку и развертывание, а также трассировку RAG, создавая интегрированную платформу сервисов моделей, обеспечивающую безопасность и контроль, интерактивность в реальном времени и устойчивую монетизацию.
ModelFactory в настоящее время поддерживает такие крупные языковые модели, как LLaMA, Mistral, Qwen, ChatGLM, Deepseek, Gemma, Falcon, BLOOM, GPT-2 и др. Хотя в него не включены последние высокопроизводительные модели MoE или мультимодальные модели, он сделал конфигурацию с приоритетом на "практичность" на основе реальных ограничений, связанных с развертыванием на блокчейне.
Model Factory как инструмент без кода, все модели имеют встроенный механизм подтверждения вклада, что обеспечивает права участников данных и разработчиков моделей, обладает низким порогом, возможностью монетизации и компоновки.
! [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, активы на блокчейне для дообученных моделей
LoRA — это эффективный метод тонкой настройки параметров, который позволяет изучать новые задачи, вставляя "низкоранговые матрицы" в предобученные большие модели, не изменяя параметры оригинальной модели, что значительно снижает затраты на обучение и требования к хранению.
OpenLoRA — это легковесный фреймворк для вывода, разработанный OpenLedger, специально предназначенный для развертывания нескольких моделей и совместного использования ресурсов. Он решает проблемы высоких затрат, низкой повторной используемости и неэффективного использования ресурсов GPU, возникающие при развертывании текущих AI моделей, способствуя реализации "оплачиваемого AI".
Ядро компонентов архитектуры системы OpenLoRA включает:
Процесс вывода OpenLoRA включает в себя загрузку базовой модели, динамический поиск LoRA, активацию слияния адаптеров, выполнение вывода и потоковую передачу, завершение вывода и освобождение ресурсов.
OpenLoRA значительно повысил эффективность развертывания и вывода нескольких моделей благодаря ряду оптимизаций на низком уровне. Его ядро включает динамическую загрузку адаптеров LoRA, тензорное параллельное исполнение и Paged Attention, слияние нескольких моделей, Flash Attention, предварительно скомпилированные CUDA ядра и технологии квантования.
OpenLoRA — это не только эффективная рамка для вывода LoRA, но и глубокая интеграция вывода модели с механизмами стимулов Web3, целью которой является превращение модели LoRA в вызываемый, комбинируемый и распределяемый Web3 актив. Это реализует:
OpenLedger ожидает, что производственные показатели OpenLoRA в будущем будут значительно лучше традиционных моделей с полными параметрами, но эти показатели ближе к "предельным показателям" и должны рассматриваться как "идеальный предел", а не как "стабильная повседневность".
! [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-f49cfa5ea73fc0018250d04193b34b60)
3.3 Datanets (数据网络), от суверенитета данных до интеллектуальных данных
Datanets является инфраструктурой OpenLedger "данные как активы" для сбора и управления наборами данных в определенных областях. Каждый Datanet похож на структурированный склад данных, куда вкладчики загружают данные, и с помощью механизма принадлежности в цепочке гарантируется, что данные можно проследить и им можно доверять.
По сравнению с проектами, сосредоточенными на суверенитете данных, OpenLedger с помощью трех основных модулей: Datanets, Model Factory и OpenLoRA, расширяет ценность данных до обучения моделей и вызовов на блокчейне, создавая полный замкнутый цикл "от данных к интеллекту". OpenLedger сосредотачивается на том, "как данные обучаются, вызываются и получают вознаграждение", занимая ключевую позицию на пути монетизации данных в экосистеме Web3 AI.
! [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-9fbd934d293142e4fdd386eee4afd41a)
3.4 Доказательство атрибуции（贡献证明）：пересмотр стимулов для распределения利益.
Proof of Attribution（PoA）является核心 механизмом OpenLedger для реализации принадлежности данных и распределения стимулов. Процесс принадлежности данных и стимулов включает в себя:
PoA не только инструмент распределения вознаграждений, но и рамка, направленная на прозрачность, отслеживание источников и многоступенчатую принадлежность. Он полностью записывает процесс загрузки данных, вызова модели и выполнения агентом в блокчейн, обеспечивая проверяемый путь ценности от начала до конца.
RAG Attribution — это механизм присвоения данных и стимулов, созданный OpenLedger в контексте RAG, который обеспечивает возможность отслеживания и проверки содержания, выводимого моделью, и мотивацию для вкладчиков. Его процесс включает в себя:
Атрибуция RAG от OpenLedger позволяет отслеживать каждый ответ ИИ к реальным источникам данных, а участники получают вознаграждение в зависимости от частоты цитирования, реализуя "знания имеют источник, использование может быть монетизировано". Этот механизм повышает прозрачность выводов модели и создает устойчивую систему стимулов для вклада качественных данных.
! [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-FB455C53ffCE25E4AAFD015DE8a70E1B)
Четыре, Прогресс проекта OpenLedger и экологическое сотрудничество
OpenLedger запустил тестовую сеть, где интеллектуальный уровень данных является первым этапом, направленным на создание интернет-склада данных, управляемого узлами сообщества. Члены сообщества могут запускать узлы на краевых устройствах, участвовать в сборе и обработке данных, получая баллы за активность и выполнение задач.
Тестовая сеть предлагает три типа механизмов дохода:
Тестовая сеть Epoch 2 акцентирует внимание на механизме Datanets для сети данных, доступном только для пользователей из белого списка, охватывающем задачи проверки данных, классификации и другие.
OpenLedger более долгосрочное планирование дорожной карты включает: