Bittensor — надежда всего крипто-сообщества

Автор: 0xai

Выражаем особую благодарность @DistStateAndMe и его команде за вклад в область открытых AI-моделей, а также за ценные рекомендации и поддержку, предоставленные для данной статьи.

Почему вам стоит обратить внимание на этот отчет

Если «децентрализованное обучение ИИ» перешло из разряда невозможного в разряд возможного, насколько сильно недооценен Bittensor?

В начале 2026 года в крипто-сообществе царила атмосфера усталости.

Теплая атмосфера прошлого бычьего рынка давно рассеялась, таланты ускоренно уходят в отрасль ИИ. Те, кто раньше говорил о «следующих 100x», теперь обсуждают Claude Code и OpenClaw. Фраза «крипто — это трата времени» наверняка не раз звучала в вашем адресе или от знакомых.

Однако 10 марта 2026 года подсеть Bittensor под названием Templar тихонько объявила об одном событии.

Более 70 независимых участников со всего мира, без центральных серверов и координации со стороны крупных компаний, используя исключительно механизмы стимулирования в крипто, совместно обучили большую языковую модель ИИ с 72 миллиардами параметров.

Модель и сопутствующая статья уже опубликованы на HuggingFace и arXiv , данные доступны для публичной проверки.

Что еще важнее: в ряде ключевых тестов данная модель показала лучшие результаты по сравнению с моделью того же класса, которую Meta потренировала за огромные деньги.

После публикации объявления цена TAO была практически неподвижна почти 2 дня. Только на третий день она начала резко расти, и спустя 6 дней рост не остановился, совокупная прибыль составила около +40%. Почему произошла эта задержка в 2 дня?

Основной тезис данного отчета: крипто-инвесторы видят «еще одну открытую модель» и считают ее inferior повседневным GPT и Claude; исследователи ИИ не интересуются крипто.Разрыв между этими двумя сообществами создает окно для когнитивного арбитража.

Каркас статьи

Этот отчет разделен на две логические части:

Часть I — Технологический прорыв: объясняется, чего именно достигла SN3 Templar и почему это событие имеет историческое значение для истории ИИ и крипто.

Часть II — Отраслевое значение: объясняется, почему это означает системную недооценку экосистемы Bittensor и почему Bittensor называют «единственной надеждой всего крипто-сообщества».

Часть I: Прорыв в децентрализованном обучении ИИ

1. Чем занимается SN3?

Что нужно для обучения большой языковой модели?

Традиционный ответ: построить гигантский дата-центр, купить десятки тысяч флагманских видеокарт GPU, потратить сотни миллионов долларов и обеспечить координацию силами инженерной команды одной компании. Именно так работают Meta, Google и OpenAI.

Подход SN3 Templar: привлечь людей, разбросанных по всему миру, которые предоставляют по одному или нескольким серверам с GPU, и собрать вычислительные мощности как пазл, чтобы совместно обучить целую большую модель.

Но здесь возникает фундаментальная проблема: если участники со всего мира не доверяют друг другу, а сетевая задержка нестабильна, как гарантировать эффективность результатов обучения? Как предотвратить халатность или мошенничество? Как мотивировать участников непрерывно вносить свой вклад?

Bittensor дает ответ: использовать токены TAO в качестве стимула. Чем эффективнее ваш градиент (который можно понять как «вклад в улучшение модели»), тем больше TAO вы получите. Система автоматически оценивает и рассчитывается без участия каких-либо централизованных органов.

Именно этим является SN3 (подсеть №3) Bittensor под кодовым названием Templar.

Если Биткоин доказал возможность децентрализованных «денег», то SN3 доказывает возможность децентрализованного «обучения ИИ».

2. Каких результатов достигла SN3?

10 марта 2026 года SN3 Templar объявил о завершении обучения большой языковой модели Covenant-72B.

Что означает «72B»?: 72 миллиарда параметров. Параметры являются «ячейками хранения знаний» ИИ-модели, чем их больше, тем обычно умнее модель. GPT-3 имеет 175 миллиардов, LLaMA-2 (флагманская открытая модель от Meta) — 70 миллиардов. Covenant-72B находится на том же порядке величин, что и LLaMA-2.

Каковы масштабы обучения?: около 1,1 триллиона слов (токенов) ≈ 5,5 миллионов книг (при условии 200 000 слов на книгу).

Кто участвовал в обучении?: более 70 независимых участников (майнеров), которые последовательно предоставляли вычислительные мощности (предел синхронизации на один раунд составлял около 20 узлов). Обучение стартовало 12 сентября 2025 года и длилось около 6 месяцев. Не было центрального сервера, не было единого органа для координации.

Как показывает себя модель?: проиллюстрируем через аналогию с популярными экзаменами по ИИ:

Источник данных: карточка модели HuggingFace 1Covenant/Covenant-72B-Chat

• MMLU (комплексные знания по 57 дисциплинам): Covenant-72B 67,35% против Meta LLaMA-2 63,08%
• GSM8K (математические рассуждения): Covenant-72B 63,91% против Meta LLaMA-2 52,16%
• IFEval (способность выполнять инструкции): Covenant-72B 64,70% против Meta LLaMA-2 40,67%

Полностью открытый исходный код: лицензия Apache 2.0. Любой может бесплатно скачивать, использовать и применять в коммерческих целях без ограничений.

Научное подтверждение: статья подана в [arXiv 2603.08163], основные технологии (оптимизатор SparseLoCo и механизм противодействия мошенничеству Gauntlet) опубликованы на симпозиуме Optimization Workshop при NeurIPS.

3. Что означает этот результат?

Для сообщества открытого ИИ: ранее из-за финансовых барьеров и требований к вычислениям обучение моделей уровня 70B было прерогативой нескольких крупных компаний. Covenant-72B впервые доказывает: сообщество способно обучить модель такого масштаба без какой-либо централизованной финансовой поддержки. Это меняет границы того, кто имеет право участвовать в разработке базовых моделей ИИ.

Для структуры власти в ИИ: текущая ситуация с базовыми моделями ИИ крайне консолидирована — несколько компаний (OpenAI, Google, Meta, Anthropic) контролируют самые мощные базовые модели. Успех децентрализованного обучения означает, что эта конкурентная рва преодолима. Исходное предположение о том, что «только крупные корпорации могут создавать базовые модели», подвергается сомнению в первый раз».

Для крипто-индустрии: это первый случай, когда крипто-проект сделал реальный технологический вклад в область ИИ, а не просто «монетизировал тренд». Covenant-72B имеет модель на HuggingFace, статью на arXiv и открытые данные бенчмарков. Это создает прецедент: механизмы стимулирования в крипто могут стать инфраструктурой для серьезных исследований ИИ.

Для самого Bittensor: успех SN3 превращает Bittensor из «теоретически жизнеспособного протокола децентрализованного ИИ» в «практически проверенную инфраструктуру децентрализованного ИИ». Это качественное изменение от нуля к единице.

4. Историческое место SN3

Путь децентрализованного обучения ИИ был не первым, кем выбрала SN3. Но именно SN3 смогла дойти до мест, недоступных предыдущим проектам.

История эволюции децентрализованного обучения:

• 2022 — Together GPT-JT (6B): ранние эксперименты, доказавшие работоспособность межинстантной координации
• 2023 — SWARM Intelligence (~1B): предложен фреймворк совместного обучения на гетерогенных узлах
• 2024 — INTELLECT-1 (10B): децентрализованное обучение между организациями
• 2026 — Covenant-72B / SN3 (72B): первая 72B модель, преодолевшая результаты централизованного обучения на популярных бенчмарках

За 4 года произошел переход от 6B к 72B, количество параметров увеличилось в 12 раз. Но важнее не объем параметров, а качество — предыдущие поколения проектов в первую очередь демонстрировали «жизнеспособность», тогда как Covenant-72B стала первой децентрализованной моделью, превзойшей модели централизованного обучения на основных бенчмарках.

Ключевые технологические прорывы:

• Коэффициент сжатия >99% (>146x): при каждой отправке участниками результатов обучения (градиентов) изначально требовалась передача данных объемом в гигабайты. SparseLoCo сжимает весь процесс более чем в 146 раз. Это сравнимо со сжатием целого сезона сериала в одно изображение с минимальной потерей информации.
• Затраты на коммуникацию составляют всего 6%: при совместной работе 100 человек лишь 6% времени уходит на «коммуникацию и координацию», а 94% — на непосредственное обучение. Это решает одну из главных проблем децентрализованного обучения.

5. Недооценено ли децентрализованное обучение?

Давайте сначала посмотрим на данные, а затем сделаем выводы.

Доказательства недооценки

• MMLU 67,35% против LLaMA-2 63,08%
• MMLU-Pro 40,91% против LLaMA-2 35,20%
• IFEval 64,70% против LLaMA-2 40,67%

Модель, обученная децентрализованно, превзошла LLaMA-2-70B, который Meta тренировала за огромные средства.

Отставание от текущих ведущих открытых моделей (требует честного признания):

• MMLU: Covenant-72B 67,35% vs Qwen2.5-72B 86,8% vs LLaMA-3.1-70B 83,6%
• GSM8K: Covenant-72B 63,91% vs Qwen2.5-72B 95,8% vs LLaMA-3.1-70B 95,1%

Отставание составляет примерно 20–30 процентных пунктов.

Но важна система сравнения: ценность Covenant-72B заключается не в победе над SOTA, а в доказательстве жизнеспособности децентрализованного обучения. За Qwen2.5 / LLaMA-3.1 стоят инвестиции порядка сотен миллиардов + десятки тысяч GPU + профессиональные инженерные команды; тогда как Covenant-72B — это более 70 независимых майнеров + отсутствие центральной координации.

Тренды важнее одиночных снимков:

• 2022 год: лучшая децентрализованная модель имела 6B параметров, даже не проходя отдельного тестирования по MMLU.
• 2026 год: модель на 72B, MMLU 67,35%, превосходящая модель Meta аналогичного уровня.

За 4 года децентрализованное обучение прошло путь от «концептуального эксперимента» к производительности, сопоставимой с централизованным обучением. Наклон этой кривой заслуживает большего внимания, чем любые отдельные цифры бенчмарков.

Более того, разрыв в глубоком логическом мышлении у Covenant-72B уже имеет запланированное решение — SN81 Grail отвечает за обучение с подкреплением после тренировки (RLHF), выравнивание модели и расширение её возможностей. Именно это стало ключевым шагом улучшения для GPT-4 по сравнению с GPT-3.

Heterogeneous SparseLoCo станет следующим рубежом: сейчас SN3 требует, чтобы все майнеры использовали видеокарты одного型号. Следующий крупный технологический прорыв — Heterogeneous SparseLoCo, который позволит задействовать смешанное оборудование (B200 + A100 + потребительские GPU) в одной задаче обучения. После реализации пул вычислительных мощностей для следующего этапа обучения значительно расширится.

Децентрализованное обучение уже пересекло порог осуществимости. Разница в текущих бенчмарках — это инженерная задача, требующая дальнейшей оптимизации, а не фундаментальное теоретическое препятствие.

Часть II: Рынок всё ещё не понимает этого

График цены TAO

Динамика цены $TAO после объявления SN3 как раз иллюстрирует эту когнитивную задержку:

Обратите внимание на эти 2 дня тишины (с 10/3 по 12/3): после публикации объявления цена практически не изменилась.

Почему возникла задержка?

Инвесторы, читающие новости, воспринимают это как «Bittensor SN3 завершила обучение ИИ-модели» — но они未必 понимают техническую значимость факта, что «72B модель, обученная децентрализованно, превзошла Meta в MMLU».

Исследователи ИИ способны оценить этот технический аспект, но они не следят за крипто.

Разрыв в понимании между двумя сообществами создал окно ценовой задержки примерно в 2–3 дня.

Более того, восприятие Bittensor большинством крипто-инвесторов до сих пор привязано к прошлому циклу. Сегодня на Bittensor активно функционирует более 79 подсетей, охватывая совершенно разные сферы, такие как ИИ-агенты, вычислительные мощности, обучение ИИ, торговля на базе ИИ и робототехника. Когда рынок начнет заново оценивать ширину экосистемы Bittensor, этот когнитивный дисбаланс будет скорректирован — а сам процесс коррекции чаще всего проявляется в виде резкого роста цены.

Ошибка оценки стоимости Bittensor

Рассмотрим Bittensor в более широком отраслевом контексте:

SN3 уже доказала: Bittensor способна выполнить децентрализованное обучение больших моделей.

Если будущее ИИ потребует открытую сеть для обучения без разрешения, то единственная кандидатура инфраструктуры, прошедшая практическую проверку на данный момент, — это Bittensor.

Рынок пытается оценить сеть уровня ИИ-инфраструктуры, применяя логику оценки проектов прикладного уровня.

Даже если сравнивать только внутри крипто: доля Биткоина на общем рынке стабильно держалась на уровне 50–60%, тогда как доля Bittensor в сегменте крипто-ИИ составляет всего около 11,5%.

Когда рынок заново осознанно определит место Bittensor в ИИ-инфраструктуре, эта ошибка оценки неизбежно будет исправлена.

Заключение: Bittensor — единственная надежда всего крипто-сообщества

Если бы проект SN3 Templar своим Covenant-72B и доказал что-то одно, то это:

Децентрализованные сети способны не только координировать капитал, но и распределение вычислительных ресурсов вместе с передовыми исследованиями в области ИИ.

В последние годы роль крипто в нарративе вокруг ИИ сводилась преимущественно к маргинальным играм. Множество проектов опирались на пакование концепций, эмоциональный хайп или капитальные нарративы, но не имели проверяемых технологических результатов. SN3 является совершенно иным случаем.

Оно не запустило новый токен-нарратив и не упаковало продукт прикладного уровня типа «ИИ + Web3», а выполвило задачу более фундаментального и сложного характера:

Обучение большой модели уровня 72B без какой-либо центральной координации.

Участники прибыли со всего мира и не нуждаются в взаимном доверии; система самостоятельно координирует вклад в обучение и распределение вознаграждений благодаря ончейн-механизмам стимулирования и верификации.

Механизмы крипто впервые организовали реальную производственную мощность в сфере ИИ.

Многие до сих пор не осознают исторического значения SN3. Так же, как многие тогда не поняли, что Биткоин доказал не «улучшенные платежи», а консенсус ценностей, не нуждающийся в центральном кредитовании.

Сегодня многие продолжают видеть лишь цифры бенчмарков, публикацию новых моделей или очередной цикл роста цен.

Но настоящие изменения заключаются в том, что Bittensor доказывает:

• Крипто способно не только эмиссировать активы, оно способно организовать производство
• Крипто способно не только спекулировать вниманием, оно способно производить интеллект

Сообщество открытого кода может делиться решениями, академическая среда может выпускать статьи, но когда задачи переходят в плоскость сверхмасштабного обучения, долгосрочного сотрудничества, трансрегиональной координации, борьбы с мошенничеством и распределения доходов, доброй воли и системы репутации оказывается совершенно недостаточно:

• Без экономических стимулов нет стабильного предложения
• Без поддающейся проверке системы поощрения и наказания нет долгосрочного сотрудничества
• Без токенизированных механизмов координации невозможно создать по-настоящему глобальную сеть производства ИИ, работающую без разрешений

Таким образом, недооценен ли Bittensor? Ответ заключается не в слове «возможно», а в констатации:«значительно и систематически недооценен».

В рамках общего дебатов о том «имеет ли крипто вообще смысл существования», Bittensor предоставляет самую сильную аргументацию для всей отрасли.

Именно поэтому:Bittensor — единственная надежда всего крипто-сообщества.