Openledger是一個區塊鏈AI項目，旨在通過數據與模型的激勵機制實現價值變現。其核心模塊包括無代碼模型工廠、動態微調框架openlora和歸因證明機制。 Openledger利用lora技術快速訓練模型，實現輕量化部署，並通過鏈上記錄增強透明性。項目已上線測試網，涵蓋數據採集與驗證。通過具有激勵機制的社區合作，Openledger構建了一個以數據為基礎的智能體經濟，實現模型的可組合性與資產化。這一創新模式為AI提供了可追溯、透明和可持續的發展路徑。
一、引言|加密貨幣ai的模型層躍遷
（（（）（類比燃料（數據）、引擎（模型）、能源（算力
（LLM）與SLM）
（llm）訓練高度依賴大規模數據集與復雜的分佈式架構，參數規模動輒，參數規模動輒70B～500B，訓練一次的成本常高達數百萬美元。而slm（（專業語言模型）作為一種可複用基礎模型的輕量微調範式
值得注意的是，slm並不會被集成進llm權重中，而是通過lora lora 模塊熱插拔、 rag （檢索增強生成模塊熱插拔、 （檢索增強生成llm協作運行。這一架構既保留了llm協作運行。這一架構既保留了llm的廣覆蓋能力，又通過精調模塊增強了專業表現，形成了高度靈活的組合式智能係統。，形成了高度靈活的組合式智能係統。，形成了高度靈活的組合式智能係統。
加密貨幣ai在模型層的價值與邊界
加密貨幣AI 項目本質上難以直接提升大語言模型（ llm），核心原因在於，核心原因在於
技術門檻過高：訓練基礎模型所需的數據規模、算力資源與工程能力極其龐大，Openai等）與中國（（DeepSeek）（DeepSeek）等科技巨頭具備相應能力。）開源生態局限：llama，混合已開源，但真正推動模型突破的關鍵依然中心化於科研機構與閉源工程體系，鏈上項目在核心模型層的參與空間有限。 ，鏈上項目在核心模型層的參與空間有限。
然而，在開源基礎模型之上，crypto ai 項目仍可通過精調特化語言模型（ slm），並結合web3的可驗證性與激勵機制實現價值延伸。作為ai產業鏈的「周邊接口層」，體現於兩個核心方向：::
可信驗證層：通過鏈上記錄模型生成路徑、數據貢獻與使用情況，增強ai輸出的可追溯性與抗篡改能力。激勵機制：借助原生代幣，用於激勵數據上傳、模型調用、智能體（代理），執行等行為，構建模型訓練與服務的正向循環。 ，構建模型訓練與服務的正向循環。 ai模型類型分類與
由此可見，模型類crypto ai項目的可行落點主要中心化在小型slm 的輕量化精調、 rag rag gend，crypto能為這些中低資源模型場景提供特有價值，形成ai「接口層」的差異化價值。
基於數據與模型的區塊鏈ai鏈，可對每一條數據和模型的貢獻來源進行清晰、不可篡改的上鍊記錄，顯著提升數據可信度與模型訓練的可溯性。同時，通過智能合約機制，在數據或模型被調用時自動觸發獎勵分發，將
二、項目概述| openledger的ai鏈願景
openledger是當前市場上為數不多專注於數據與模型激勵機制的區塊鏈ai項目。它率先提出「應付ai」的概念，ai運行環境，激勵數據貢獻者、模型開發者與
openledger提供了從「數據提供」到「模型部署」再到「調用分潤」的全鏈條閉環，其核心模塊包括：：
模型工廠：無需編程，llm使用lora 微調訓練並部署定制模型；openlora：支持千模型共存，按需動態加載，顯著降低部署成本；，顯著降低部署成本；POA（（歸因證明）：通過鏈上調用記錄實現貢獻度量與獎勵分配；數據工具：面向垂類場景的結構化數據網絡，由社區協作建設與驗證；，由社區協作建設與驗證；模型提案平台（模型提案平台）：可組合、可調用、可支付的鏈上模型市場。
通過以上模塊，openledger 構建了一個數據驅動、模型可組合的「智能體經濟基礎設施」，推動ai價值鏈的鏈上化。
而在區塊鏈技術採用上，openledger以op stack + eigenda為底座，為ai 模型構建了高性能、低成本、可驗證的數據與合約運行環境。
基於op stack構建：基於樂觀，支持高吞吐與低費用執行；，支持高吞吐與低費用執行；在以太坊主網上結算：確保交易安全性與資產完整性；EVM兼容：方便開發者基於堅固快速部署與擴展；eigenda提供數據可用性支持：顯著降低存儲成本，保障數據可驗證性。
相比於接近bos的AI代理」
三、 openledger的核心組件與技術架構
3.1型號工廠，無需代碼模型工廠
Modelfactory是openledger 生態下的一個大型語言模型（ llm）微調平台。與傳統微調框架不同，Modelfactory提供純圖形化界面操作
數據訪問控制：用戶提交數據請求，提供者審核批准，數據自動接入模型訓練界面。 ，數據自動接入模型訓練界面。模型選擇與配置：llm llm llm llama，mistral），通過gui配置超參數。輕量化微調：lora / qlora引擎，實時展示訓練進度。 ，實時展示訓練進度。模型評估與部署：內建評估工具，支持導出部署或生態共享調用。交互驗證接口：提供聊天式界面，便於直接測試模型問答能力。 ，便於直接測試模型問答能力。抹布：回答帶來源引用，增強信任與可審計性。 ，增強信任與可審計性。
模型工廠系統架構包含六大模塊
Modelfactory目前支持的大語言模型能力簡表如下：
駱駝系列：生態最廣、社區活躍、通用性能強，是當前最主流的開源基礎模型之一。 ，是當前最主流的開源基礎模型之一。 Mistral：架構高效、推理性能極佳，適合部署靈活、資源有限的場景。 ，適合部署靈活、資源有限的場景。 QWEN：阿里出品，中文任務表現優異，綜合能力強，適合國內開發者首選。 ，適合國內開發者首選。 chatglm：中文對話效果突出，適合垂類客服和本地化場景。 ，適合垂類客服和本地化場景。 DeepSeek：在代碼生成和數學推理上表現優越，適用於智能開發輔助工具。 ，適用於智能開發輔助工具。 Gemma：Google推出的輕量模型，結構清晰，易於快速上手與實驗。 ，易於快速上手與實驗。獵鷹：曾是性能標杆，適合基礎研究或對比測試，但社區活躍度已減。 ，但社區活躍度已減。綻放：多語言支持較強，但推理性能偏弱，適合語言覆蓋型研究。 ，適合語言覆蓋型研究。 gpt-2：經典早期模型，僅適合教學和驗證用途，不建議實際部署使用。 ，不建議實際部署使用。
雖然openledger的模型組合併未包含最新的高性能moe模型或多模態模型，但其策略並不落伍
模型工廠作為無代碼工具鏈
對於開發者：提供模型孵化、分發、收入的完整路徑；對於平台：形成模型資產流通與組合生態；對於應用者：可以像調用api一樣組合使用模型或代理。
3.2 openlora，微調模型的鏈上資產化
lora（（低級適應）是一種高效的參數微調方法，通過在預訓練大模型中插入「低秩矩陣」來學習新任務，而不修改原模型參數，llama，gpt-3（gpt-3），（就需要進行微調（），就需要進行微調（）。lora的核心策略是：「凍結原始大模型的參數：「凍結原始大模型的參數，只訓練插入的新參數矩陣。」，其參數高效、訓練快速、部署靈活，其參數高效、訓練快速、部署靈活，是當前最適合
openlora是openledger構建的一套專為多模型部署與資源共享而設計的輕量級推理框架。它核心目標是解決當前
openlora系統架構核心組件，基於模塊化設計，覆蓋模型存儲、推理執行、請求路由等關鍵環節，實現高效、低成本的多模型部署與調用能力：：
lora適配器存儲模塊（Lora適配器存儲）：lora適配器被託管在openledger上，實現按需加載，避免將所有模型預載入顯存，節省資源。 ，節省資源。模型託管與動態融合層（模型託管和適配器合併層）：所有微調模型共基本模型），推理時lora適配器動態合併推理引擎（推理引擎）：集成閃存注意力，flash-paging-internition，sgmv優化等多項cuda優化技術。請求路由與流式輸出模塊（請求路由器和令牌流）：根據請求中所需模型動態路由至正確適配器，通過優化內核實現代幣級別的流式生成。
openlora的推理流程屬於技術層面「成熟通用」的模型服務「流程，如下：：
基礎模型加載：系統預加載如駱駝3 、Mistral等基礎大模型至gpu顯存中。 lora動態檢索：接收請求後，從擁抱臉，predibase或本地目錄動態加載指定lora適配器。適配器合併激活：通過優化內核將適配器與基礎模型實時合併，支持多適配器組合推理。推理執行與流式輸出：合併後的模型開始生成響應，採用代幣，結合量化保障效率與精度。 ，結合量化保障效率與精度。推理結束與資源釋放：推理完成後自動卸載適配器，釋放顯存資源。確保可在單gpu上高效輪轉並服務數千個微調模型，支持模型高效輪轉。 ，支持模型高效輪轉。
openlora通過一系列底層優化手段，lora lora lora lora lora加載），tensor paralalleleisris）與重視注意（多適配器）多適配器合併執行）多適配器合併執行，lora lora 組合推理（（lora 組合推理（集合））flash注意力flash注意力注意力flink注意
openlora定位不僅是一個高效的lora推理框架，更是將模型推理與web3激勵機制深度融合，lora 模型變成可調用、可組合、可分潤的
模型即資產（（AS-As-Asset）：openlora不只是部署模型，模型ID），並將其調用行為與經濟激勵綁定，實現「調用即分潤」。 ，實現「調用即分潤」。多lora動態合併+分潤歸屬：lora lora適配器的動態組合調用支持長尾模型的「多租戶共享推理」：通過動態加載與顯存釋放機制
此外，openledger發布了其對openlora性能指標的未來展望，相比傳統全參數模型部署，其顯存佔用大幅降低至8–12gb；模型切換時間理論上可低於100ms ；吞吐量可達2000+令牌/sec/sec ；延遲控制在20-50ms。整體而言，這些性能指標在技術上具備可達性，這些性能指標在技術上具備可達性，但更接近「上限表現」
3.3（數據工具）（），從數據主權到數據智能
高質量、領域專屬的數據成為構建高性能模型的關鍵要素。 datanets是openledger」數據即資產「的基礎設施，用於收集和管理特定領域的數據集，用於聚合、驗證與分發特定領域數據的去中心化網絡，為
與聚焦數據主權的vana等項目相比，openledger並不止於「數據收集」，而是通過dogate （協作式標註與歸屬數據集），（協作式標註與歸屬數據集）（型號工廠（支持無代碼微調的模型訓練工具），），）（openlora （可追踪、可組合的模型適配器）三大模塊），將數據價值延展至模型訓練與鏈上調用，構建「從數據到智能（，構建「從數據到智能（（數據到智能）」的完整閉環。
3.4（歸因證明）（（（）：重塑利益分配的激勵層
歸因證明（poa）是openledger實現數據歸屬與激勵分配的核心機制，通過鏈上加密貨幣記錄，將每一條訓練數據與模型輸出建立可驗證的關聯，確保貢獻者在模型調用中獲得應得回報
數據提交：用戶上傳結構化、領域專屬的數據集，並上鍊確權。 ，並上鍊確權。影響評估：系統根據數據特徵影響與貢獻者聲譽，在每次推理時評估其價值。 ，在每次推理時評估其價值。訓練驗證：訓練日誌記錄每條數據的實際使用情況，確保貢獻可驗證。 ，確保貢獻可驗證。激勵分配：根據數據影響力，向貢獻者發放與效果掛鉤的代幣獎勵。質量治理：對低質、冗餘或惡意數據進行懲罰，保障模型訓練質量。 ，保障模型訓練質量。
與bittensor子網架構結合評分機制的區塊鏈通用型激勵網絡相比較，openledger則專注於模型層面的價值捕獲與分潤機制。 poa不僅是一個激勵分發工具，更是一個面向：它將數據的上傳、模型的調用、智能體的執行過程全程上鍊記錄：實現端到端的可驗證價值路徑。這種機制使得每一次模型調用都能溯源至數據貢獻者與模型開發者，實現端到端的可驗證價值路徑。這種機制使得每一次模型調用都能溯源至數據貢獻者與模型開發者，從而實現鏈上
抹布（檢索出來的生成）是一種結合檢索系統與生成式模型的ai架構，它旨在解決傳統語言模型「知識封閉」「胡編亂造」的問題
用戶提問→檢索數據：ai接收到問題後，從openledger數據索引中檢索相關內容。數據被調用並生成回答：檢索到的內容被用於生成模型回答，並被鏈上記錄調用行為。 ，並被鏈上記錄調用行為。貢獻者獲得獎勵：數據被使用後，其貢獻者獲得按金額與相關性計算的激勵。 ，其貢獻者獲得按金額與相關性計算的激勵。生成結果帶引用：模型輸出附帶原始數據來源鏈接，實現透明問答與可驗證內容。 ，實現透明問答與可驗證內容。
openledger的rag歸因讓每一次ai回答都可追溯至真實數據來源，貢獻者按引用頻次獲得激勵，實現「知識有出處、調用可變現」。這一機制不僅提升了模型輸出的透明度，也為高質量數據貢獻構建了可持續的激勵閉環，是推動可信
四、 openledger項目進展與生態合作
目前openledger已上線測試網，數據智能層（數據智能層）是openledger測試網的首個階段，旨在構建一個由社區節點，同驅動的互聯網數據倉庫。這些數據經過篩選、增強、分類和結構化處理，最終形成適用於大型語言模型（ llm）的輔助智能，用於構建
openledger測試網激勵目前提供如下三類收益機制：
epoch 2測試網重點推出了數據工具數據網絡機制，該階段僅限白名單用戶參與，需完成預評估以解鎖任務。任務涵蓋數據驗證、分類等，完成後根據準確率和難度獲得積分，並通過排行榜激勵高質量貢獻
而openledger更為長遠的路線圖規劃，從數據採集、模型構建走向代理生態，逐步實現「數據即資產、模型即服務、代理即智能體」的完整去中心化ai經濟閉環。
階段1·數據智能層（數據智能層）：社區通過運行邊緣節點採集和處理互聯網數據，構建高質量、持續更新的數據智能基礎層。 ，構建高質量、持續更新的數據智能基礎層。階段2·社區數據貢獻（社區貢獻）：社區參與數據驗證與反饋，共同打造可信的黃金數據集（金數據集，為模型訓練提供優質輸入。階段3·模型構建與歸屬聲明（構建模型和主張）：基於黃金數據，用戶可訓練專用模型並確權歸屬，實現模型資產化與可組合的價值釋放。，實現模型資產化與可組合的價值釋放。第4階段·智能體創建（構建代理）：基於已發布模型，社區可創建個性化智能體（代理），實現多場景部署與持續協同演進。，實現多場景部署與持續協同演進。
openledger 的生態合作夥伴涵蓋算力、基礎設施、工具鏈與
過去一年，openledger在token2049新加坡，泰國Devcon，共識hong hong hong denver denver期間連續主辦crypto ai deai deai summit summit simt峰會
五、融資及團隊背景
openledger於2024年7月完成了1120萬美元的種子輪融資，投資方包括polychain Capital，無邊界資本，最終資本，hashkey，以及多位知名天使投資人，如sreeram kannan（（sreeram kannan（eigenlayer），balaji srinivasan srinivasan srinivasan sandeep，sandeep，sandeep（ Tripathi（鏈YODA）和trevor。資金將主要用於推進openledger的ai鍊網絡建設、模型激勵機制、數據基礎層及代理應用生態的全面落地。
openledger由ram kumar創立，他是openledger的核心貢獻者，同時是一位常駐舊金山的創業者
六、代幣經濟模型設計及治理
打開是openledger生態的核心功能型代幣，賦能網絡治理、交易運行、激勵分發與ai代理運營，是構建
治理與決策：打開持有者可參與模型資助、代理管理、協議升級與資金使用的治理投票。交易燃料與費用支付：作為openledger網絡的原生氣，支持ai原生的定制費率機制。激勵與歸屬獎勵：貢獻高質量數據、模型或服務的開發者可根據使用影響獲得開放分潤。跨鏈橋接能力：開放支持l2 l1 l1（以太坊）橋接，代理的多鏈可用性。 AI代理：AI代理運行需質押開放，表現不佳將被削減質押，激勵高效、可信的服務輸出。 ，激勵高效、可信的服務輸出。
與許多影響力與持幣數量掛鉤的代幣治理協議不同，openledger引入了一種基於貢獻價值的治理機制。其投票權重與實際創造的價值相關，而非單純的資本權重，優先賦能那些參與模型和數據集構建、優化與使用的貢獻者。這種架構設計有助於實現治理的長期可持續性，防止投機行為主導決策，真正契合其「透明、公平、社區驅動」的去中心化
七、數據、模型與激勵市場格局及競品比較
OpenLeDger作為「可支付ai（應付ai），」模型激勵基礎設施，致力於為數據貢獻者與模型開發者提供可驗證、可歸屬、可持續的價值變現路徑。其圍繞鏈上部署、調用激勵和智能體組合機制，構建出具有差異化特徵的模塊體系
協議激勵層：openledger vs. Bittensor
bittensor是當前最具代表性的去中心化ai網絡，子網（子網）和評分機制驅動的多角色協同系統，以$tao，，openledger專注於鏈上部署與模型調用的收益分潤，強調輕量化架構與代理，但目標層級與系統複雜度差異明顯：bittensor聚焦通用
模型歸屬與調用激勵：openledger vs.
有意識的OML（OML（開放式，可獲利的，忠誠的）ai」理念在模型確權與社區所有權上與開放式，強調通過
模型託管與可信推理平台：openledger vs.開放式
開放式tee te Tee和Zkml的安全推理執行框架，提供去中心化模型託管與推理服務，聚焦於底層可信運行環境。相比之下，openledger更強調鏈上部署後的價值捕獲路徑，圍繞型工廠，openlora poa poa poa poa與dataets構建「訓練-部署-部署-調用調用–分潤」的完整閉環。兩者所處模型生命週期不同-lygradegent：opengradient偏運行可信性
眾包模型與評估激勵：openledger vs. crunchdao
crunchdao專注於金融預測模型的去中心化競賽機制，鼓勵社區提交模型並基於表現獲得獎勵，適用於特定垂直場景。相較之下，openledger提供可組合模型市場與統一部署框架
社區驅動輕量模型平台：openledger vs. assisterr
Assisterr基於solana構建，SLM），$sasrr激勵機制提升使用頻率。相較而言，openledger更強調數據-模型-調用的閉環追溯與分潤路徑-調用的閉環追溯與分潤路徑，借助poa poa poa aassisterr更適合低門檻的模型協作社區，openledger 則致力於構建可複用、可組合的模型基礎設施。
模型工廠：openledger vs.礦池塘
礦池塘與開放式工廠」模塊
可信推理路徑：Openledger vs. Bagel
百吉餅sklora框架，lora（lora zkp）技術，實現鏈下推理過程的加密貨幣可驗證性
數據側協作路徑：openledger vs. sapien / fractionai / vana / irys
sapien與fractionai提供去中心化數據標註服務，vana與irys聚焦數據主權與確權機制。 openledger則通過dataets + poa模塊，實現高質量數據的使用追踪與鏈上激勵分發。前者可作為數據供給上游
總結來看，openledger在當前crypto ai生態中佔據「鏈上模型資產化與調用激勵」這一中間層位置，既可向上銜接訓練網絡與數據平台，也可向下服務，層與終端應用，是連接模型價值供給與落地調用的關鍵橋樑型協議。 ，是連接模型價值供給與落地調用的關鍵橋樑型協議。
八、結論| 從數據到模型，ai鏈的變現之路
openledger致力於打造web3世界中的「模型即資產」基礎設施，通過構建鏈上部署、調用激勵、歸屬確權與智能體組合的完整閉環，首次將ai模型帶入真正可追溯、可變現、可協同的經濟系統中。其圍繞模型工廠，openlora poa poa poa datanets構建的技術體系，為開發者提供低門檻的訓練工具，為數據貢獻者保障收益歸屬，為應用方提供可組合的模型調用與分潤機制，全面激活
openledger更像huggingface +條紋+ infura的在web3世界的融合體，為ai模型提供託管、調用計費與鏈上可編排的Api接口。隨著數據資產化、模型自治化、代理模塊化趨勢加速演進
資訊來源：由0x資訊編譯自互聯網。版權歸作者White55，火星財經所有，未經許可，不得轉載