Bittensor є надією всього крипто селища

У дебатах на тему «Чи має сенс існування крипто», Bittensor дає найсильнішу відповідь у всій галузі.

Автор: 0xai

Щиро дякуємо @DistStateAndMe та його команді за внесок у сферу відкритих AI-моделей, а також за цінні поради та підтримку у цій статті.

Чому вам варто звернути увагу на цей звіт

Якщо «децентралізоване навчання AI» вже стало можливим, наскільки недооцінений Bittensor?

На початку 2026 року вся крипто-спільнота відчувала втому.

Після закінчення попереднього бичачого циклу, талант швидко перетік у AI-індустрію. Ті, хто раніше говорили про «наступний 100х», тепер обговорюють Claude CodeOpenclaw. «Крипто — це марна трата часу» — цю фразу ви, можливо, чули не один раз.

Але 10 березня 2026 року один із підмереж Bittensor під назвою Templar тихо оголосив про одну важливу річ.

Більше 70 незалежних учасників з усього світу, без центральних серверів, без великих компаній, лише за допомогою крипто-стимулів спільно тренували великий AI-модель з 720 мільярдами параметрів.

Модель та відповідні наукові роботи вже опубліковані на HuggingFace та arXiv, дані відкриті та перевіряються.

Ще важливіше: у кількох ключових тестах ця модель перевищила результати моделей того ж рівня, які коштували Meta мільйони доларів на тренування.

Після оголошення ціна TAO майже два дні залишалася мовчазною. Лише на третій день почалася стрімка зростання, і за шість днів вона зросла приблизно на +40%. Чому був цей дво-денний затримка?

Основна ідея цього звіту: криптоінвестори бачать «ще одну відкриту модель», і вважають її слабкою порівняно з GPT або Claude; дослідники AI не звертають уваги на крипто. Між цими двома спільнотами виникає розрив, що створює вікно для когнітивної арбітражу.

Структура читання

Звіт складається з двох логічних частин:

Частина I — Технічний прорив: пояснює, що саме зробив SN3 Templar і чому ця подія важлива в історії AI та крипто.

Частина II — Галузеве значення: чому ця подія означає, що екосистема Bittensor недооцінена системно, і чому Bittensor — це надія всього крипто-світу.

Частина I: прорив у децентралізованому навчанні AI

1. Що таке SN3?

Що потрібно для тренування великої мовної моделі?

Традиційна відповідь: побудувати величезний дата-центр, купити тисячі високопродуктивних GPU, витратити сотні мільйонів доларів, і мати команду інженерів однієї компанії, що координують процес. Це підходи Meta, Google, OpenAI.

Підхід SN3 Templar: дозволити розподіленим по всьому світу учасникам використовувати по одній або кілька GPU-серверів, зібравши обчислювальні ресурси у «пазл», щоб спільно тренувати цілісну модель.

Але тут виникає фундаментальна проблема: якщо учасники — з різних країн, не довіряють один одному, і мережеві затримки нестабільні, як гарантувати, що результати тренування будуть ефективними? Як запобігти зловживанням або зраді? Як мотивувати учасників постійно вносити вклад?

Bittensor дає відповідь: використовуючи токен TAO як стимул. Чим ефективніше учасник оновлює градієнти (тобто «вносить внесок у покращення моделі»), тим більше отримує TAO. Система автоматично оцінює та розраховує винагороди без централізованих органів.

Це і є SN3 (третя підмережа), кодова назва Templar.

Якщо Bitcoin довів, що децентралізовані «гроші» можливі, то SN3 доводить, що децентралізоване «AI-навчання» теж можливо.

2. Що досяг SN3?

10 березня 2026 року SN3 Templar оголосив про завершення тренування великої мовної моделі під назвою Covenant-72B.

Що означає «72B»?: 720 мільярдів параметрів. Параметри — це «запам’ятовувальні одиниці» знань моделі, їх кількість визначає «розумність» моделі. GPT-3 має 1750 млрд, LLaMA-2 (від Meta) — 700 млрд. Covenant-72B — у тому ж діапазоні.

Обсяг тренування: приблизно 1,1 трильйона слів (tokens), що приблизно відповідає 550 тисячам книг (при 200 тисячах слів у книзі).

Хто брав участь?: понад 70 незалежних учасників (майнерів), що по черзі додавали обчислювальні ресурси (до 20 вузлів за раунд). Тренування стартувало 12 вересня 2025 року і тривало близько 6 місяців. Без центрального сервера, без єдиної організації.

Як модель показала себе?: порівняння за популярними тестами AI:

Джерело даних: HuggingFace 1Covenant/Covenant-72B-Chat

• MMLU (57 дисциплін): Covenant-72B — 67.35% проти Meta LLaMA-2 — 63.08%
• GSM8K (математичні задачі): Covenant-72B — 63.91% проти LLaMA-2 — 52.16%
• IFEval (здатність слідувати інструкціям): Covenant-72B — 64.70% проти LLaMA-2 — 40.67%

Відкритий код: ліцензія Apache 2.0. Кожен може безкоштовно завантажити, використовувати і комерційно застосовувати без обмежень.

Наукове підтвердження: стаття подана на arXiv [2603.08163], ключові технології (SparseLoCo — оптимізатор і механізм антифроду Gauntlet) представлені на NeurIPS Optimization Workshop.

3. Що означає цей результат?

Для відкритого AI-суспільства: раніше через фінансові та обчислювальні бар’єри тренування моделей такого рівня були привілеєм великих корпорацій. Covenant-72B вперше довів: спільнота, без централізованого фінансування, може тренувати моделі такого масштабу. Це змінює межі участі у розробці базових моделей AI.

Для структури влади у AI: нинішній ландшафт — дуже централізований: OpenAI, Google, Meta, Anthropic контролюють найпотужніші базові моделі. Створення децентралізованого тренування означає, що ця «міст» більше не є непереборним. «Тільки великі компанії можуть робити базові моделі» — цей припущення вперше починає руйнуватися.

Для криптоіндустрії: це перший випадок, коли крипто-проєкт у галузі AI реально зробив технологічний внесок, а не просто «засів» трендів. Covenant-72B має моделі на HuggingFace, наукові статті, відкриті бенчмарки. Це прецедент: крипто-стимулювання може стати основою серйозних досліджень AI.

Для самого Bittensor: успіх SN3 перетворює його з «теоретичного децентралізованого протоколу AI» у «фактичну децентралізовану інфраструктуру AI». Це якісний стрибок від 0 до 1.

4. Історична роль SN3

Децентралізоване тренування AI — не перший шлях, але SN3 зайшов туди, куди раніше ніхто не доходив.

Еволюція децентралізованого тренування:

• 2022 — Together GPT-JT (6B): перші дослідження, довели можливість мульти-нодового співробітництва
• 2023 — SWARM Intelligence (~1B): запропонували гетерогенну архітектуру
• 2024 — INTELLECT-1 (10B): міжорганізаційне децентралізоване тренування
• 2026 — Covenant-72B / SN3 (72B): перша модель у цьому масштабі, що перевищила результати централізованого тренування на основних бенчмарках

За 4 роки параметри зросли з 6 млрд до 720 млрд — у 12 разів. Але важливо не лише кількість параметрів, а й якість — перші покоління були здатні лише працювати, Covenant-72B — перша, що перевищила централізовані моделі у стандартних тестах.

Ключові технологічні прориви:

• >99% стиснення (більше 146х): кожен учасник передає градієнти, що раніше займали гігабайти, тепер стискаються більш ніж у 146 разів за допомогою SparseLoCo. Це як стиснути цілий сезон серіалу у одну картинку з мінімальною втратою інформації.
• Лише 6% комунікаційних витрат: 100 учасників працюють разом, лише 6% часу витрачається на «спілкування», решту — на тренування. Це вирішує один із головних вузьких місць децентралізованого тренування.

5. Чи недооцінена децентралізована тренування?

Розглянемо дані і зробимо висновки.

Докази недооцінки

• MMLU 67.35% проти LLaMA-2 63.08%
• MMLU-Pro 40.91% проти LLaMA-2 35.20%
• IFEval 64.70% проти LLaMA-2 40.67%

Моделі, треновані децентралізовано, перевищили результати LLaMA-2, створену за великі гроші.

Різниця з провідними відкритими моделями (честно про недоліки):

• MMLU: Covenant-72B — 67.35%, Qwen2.5 — 86.8%, LLaMA-3.1 — 83.6%
• GSM8K: Covenant-72B — 63.91%, Qwen2.5 — 95.8%, LLaMA-3.1 — 95.1%

Різниця — близько 20-30%. Але важливо розуміти: Covenant-72B — не для змагання з SOTA, а для доведення можливості децентралізованого тренування. Qwen2.5 і LLaMA-3.1 — це мільярди доларів інвестицій і тисячі GPU, а Covenant-72B — понад 70 незалежних майнерів без централізованої координації.

Тренд важливіший за моментальні показники:

• 2022 — найкращі децентралізовані моделі — 6B, без тестів MMLU.
• 2026 — Covenant-72B: 67.35% у MMLU, перевищує рівень Meta.

За 4 роки децентралізоване тренування перейшло від концепту до здатності конкурувати з централізованими моделями. Крутість цієї кривої зростання — важливіша за будь-який окремий бенчмарк.

Крім того, у Covenant-72B вже є плани подальшого покращення — через додаткове навчання (RLHF), щоб підвищити здатність до логіки та узгодженості. Це ключовий крок у розвитку GPT-4 порівняно з GPT-3.

Heterogeneous SparseLoCo — наступна велика віха: зараз SN3 вимагає однакових GPU у всіх майнерів. Наступний прорив — Heterogeneous SparseLoCo, що дозволить залучати різне обладнання (B200, A100, споживчі GPU) до одного тренування. Це значно розширить обчислювальний пул.

Децентралізоване тренування вже перейшло межу можливості. Різниця у показниках — технічне питання, що потребує оптимізації, а не фундаментальної теорії.

Частина II: ринок ще не зрозумів цю подію

Ціна TAO: хроніка

Після оголошення SN3 ціна TAO демонструє, наскільки запізнюється ринок у розумінні.

Зверніть увагу на мовчання протягом двох днів (3/10 — 3/12): оголошення — ціна майже не змінилася.

Чому затримка?

Інвестори в крипто бачать «SN3 завершив тренування AI-моделі», але не розуміють технічного значення «перевищення Meta у MMLU на 72B децентралізовано».

Дослідники AI розуміють цю цінність, але не цікавляться крипто.

Розрив у розумінні створює вікно у 2-3 дні для корекції ціни.

Більшість криптоінвесторів досі сприймають Bittensor як проєкт минулого циклу. Але зараз у Bittensor понад 79 активних підмереж, що охоплюють AI-агенти, обчислювальні ресурси, тренування, торгівлю AI, роботів — у різних сферах. Коли ринок переоцінить широту екосистеми, цей розрив закриється — і це зазвичай супроводжується стрімким зростанням ціни.

Оцінка Bittensor: дисбаланс у ринку

Розглянемо ширший контекст:

SN3 довів: Bittensor може тренувати великі моделі у децентралізованому режимі.

Якщо у майбутньому AI потребуватиме відкритих, безліцензійних тренувальних мереж, то наразі єдиною практичною платформою є саме Bittensor.

Ринок оцінює цю інфраструктуру за рівнем застосувань. Навіть у межах крипто: Bitcoin займає 50-60% ринку, а Bittensor — лише 11.5% у галузі AI.

Коли ринок переосмислить роль Bittensor у AI-інфраструктурі, цей дисбаланс зникне.

Висновок: Bittensor — надія всього крипто-світу

Якщо Covenant-72B довів щось, то це: децентралізована мережа може координувати не лише капітал, а й обчислювальні ресурси та передові дослідження AI.

За останні роки крипто-індустрія у галузі AI залишалася на периферії. Багато проєктів — лише концепції, емоційний хайп або капітальні історії, без реальних технологічних результатів. SN3 — яскравий приклад протилежного.

Він не пропонує новий токен або «AI + Web3» продукт, а виконує більш фундаментальну і складну задачу:

Без централізованої координації тренує модель з 72B параметрів.

Учасники — з усього світу, не довіряють один одному; система автоматично координує внески та розподіл винагород через стимулювання та верифікацію.

Крипто-механізми вперше створили реальну виробничу силу у AI.

Багато ще не усвідомлюють історичне значення SN3. Як і багато раніше не розуміли, що Bitcoin довів — не «кращий платіж», а цінність без централізованого довіри.

Зараз багато хто бачить лише бенчмарки, релізи моделей або короткострокове зростання цін.

Але справжня зміна у тому, що Bittensor доводить:

• Крипто — це не лише випуск активів, а й організація виробництва
• Крипто — це не лише торгівля увагою, а й створення інтелекту

Відкриті спільноти можуть писати код, академія — публікувати статті, але коли мова йде про масштабне тренування, довгострокову співпрацю, міжрегіональні розподіли, антифрод і розподіл доходів, добрі наміри і репутаційні системи вже недостатні:

• Без економічних стимулів — немає стабільного постачання
• Без верифікації нагород — немає довгострокової співпраці
• Без токенізованої координації — неможливо створити справжню глобальну, безліцензійну мережу AI

Отже, чи недооцінений Bittensor? Відповідь — не «можливо», а «яскраво і системно недооцінений».

У дебатах «Чи має сенс існування крипто» Bittensor дає найсильнішу відповідь у всій галузі.

І саме тому: Bittensor — надія всього крипто-світу.