0G Labs Сообщает о прорыве децентрализованного ИИ на 107B, подчеркивая экономичное обучение и планы с открытым исходным кодом

Кратко

0G Labs сообщил о тренировке модели DiLoCoX с 107 миллиардами параметров — больше системы Bittensor — с использованием экономически эффективного децентрализованного подхода, а также начал открытое повторное обучение с полной прозрачностью и запланированным выпуском с открытым исходным кодом.

0G Labs, разработчик инфраструктуры блокчейн для агентов искусственного интеллекта, сообщил, что примерно восемь месяцев назад он обучил модель с 107 миллиардами параметров, что примерно на 48 процентов больше модели, разработанной Bittensor, и является крупнейшей задокументированной децентрализованной системой ИИ на сегодняшний день.

Модель, известная как DiLoCoX-107B, была обучена в июле 2025 года с использованием технологий, разработанных в партнерстве с China Mobile, крупнейшим в мире оператором мобильной связи. Согласно рецензируемым исследованиям, опубликованным на arXiv, система достигла уровня эффективности коммуникации в 357 раз выше, чем традиционные методы AllReduce при работе через стандартное интернет-соединение 1 Гбит/с, что говорит о возможности обучения передового ИИ без необходимости дорогостоящей инфраструктуры дата-центров.

Первые результаты обучения показали, что распределённые вычислительные архитектуры могут конкурировать с централизованными подходами на самых высоких уровнях разработки моделей. В то время как компании такие как OpenAI, Google и Meta активно инвестируют в крупномасштабные GPU-кластеры, 0G Labs заявил, что его распределённая система может снизить затраты примерно на 95 процентов, исходя из данных, приведённых Forbes. Система работает на децентрализованных узлах, соединённых через широко доступную интернет-инфраструктуру.

Для сравнения, модель Covenant-72B от Bittensor, разработанная на сети Subnet 3 группой участников, считается значительным достижением в области децентрализованного ИИ. Однако 0G Labs отметил, что его ранние работы уже продемонстрировали возможность обучения моделей большего масштаба, подтверждённую рецензируемой проверкой.

Компания также объявила о начале нового этапа — публичного повторного обучения DiLoCoX-107B, с акцентом на прозрачность и стратегию выпуска с открытым исходным кодом. Эта инициатива направлена на установление более ясных стандартов для проверяемых практик разработки ИИ.

По завершении обновлённая модель будет выпущена с полным публичным доступом к её весам, контрольным точкам и показателям производительности. Процесс повторного обучения также предполагает подготовку подробной документации, охватывающей источники данных, метрики обучения и механизмы проверки, включая валидацию на базе доверенной среды выполнения.

Полноценная инфраструктура для проверяемого ИИ

В отличие от систем, созданных преимущественно для экспериментальных целей, DiLoCoX-107B интегрирована в более широкую блокчейн-инфраструктуру, предназначенную для агентов ИИ. В неё входит готовый к использованию стек, включающий совместимую с EVM базовую блокчейн-сеть, децентрализованные вычислительные ресурсы, распределённое хранилище и высокопроизводительный слой доступности данных, который значительно быстрее и дешевле аналогичных решений, таких как Ethereum.

Компания заявила, что такая инфраструктура предназначена не только для обучения моделей, но и для проверяемого вывода, безопасного хранения и ончейн-расчётов, что отражает более широкие операционные требования экосистемы агентов ИИ.

Система использует несколько технических подходов, включая конвейерный параллелизм, координацию двойных оптимизаторов между локальными и глобальными обновлениями, задержку синхронизации для непрерывного обучения и адаптивное сжатие градиентов для снижения коммуникационных затрат при сохранении точности работы.

0G Labs сообщил, что процесс повторного обучения в настоящее время продолжается, и все соответствующие данные, методики и результаты будут раскрыты в ходе его реализации. Окончательная модель будет выпущена под лицензией с открытым исходным кодом с полным доступом к артефактам обучения.