Bittensor — надежда всей крипто-деревни

В общем дебате “Есть ли еще смысл в криптовалютах” Bittensor дает самый убедительный ответ всей индустрии.

Автор: 0xai

Особая благодарность @DistStateAndMe и их команде за вклад в область открытых AI-моделей, а также за ценные советы и поддержку в этой статье.

Почему стоит обратить внимание на этот отчет

Если “децентрализованное обучение ИИ” уже стало возможным, насколько недооценен Bittensor?

В начале 2026 года вся крипто-среда ощущала усталость.

Остатки бычьего рынка давно прошли, и талантливые специалисты стремительно перетекают в индустрию ИИ. Те, кто раньше говорили о “следующем 100х”, теперь обсуждают Claude CodeOpenclaw. “Крипта — это пустая трата времени” — вы, возможно, слышали это не раз.

Но 10 марта 2026 года один из субсетей Bittensor под названием Templar тихо объявил о важном событии.

Более 70 независимых участников со всего мира, без центральных серверов и крупных корпораций, только благодаря крипто-мотивации совместно обучили большую модель ИИ с 72 миллиардами параметров.

Модель и связанные с ней статьи уже опубликованы на HuggingFace и arXiv, данные доступны для проверки.

Более того: в ряде ключевых тестов эта модель превзошла по результатам модели того же уровня, созданные Meta за большие деньги.

После объявления цена TAO почти два дня оставалась в тишине. Только на третий день начался резкий рост, и за 6 дней она выросла примерно на 40%. Почему задержка в два дня?

Основной тезис этого отчета: инвесторы в крипту видят “еще одну открытую модель”, сравнивают с GPT и Claude, и считают, что это не так впечатляет; исследователи ИИ не обращают внимания на крипту. Между этими двумя сообществами формируется информационный разрыв, создающий окно для когнитивной арбитража.

Структура отчета

Этот отчет состоит из двух логических частей:

Часть I — Технологические прорывы: объяснение, что именно сделано в SN3 Templar и почему это важно в истории ИИ и крипты.

Часть II — Значение для индустрии: почему это свидетельство системной недооценки экосистемы Bittensor и почему он — надежда всего крипто-сообщества.

Часть I: Прорыв в децентрализованном обучении ИИ

1. Что такое SN3?

Что нужно для обучения большой языковой модели?

Традиционный ответ: построить огромный дата-центр, купить тысячи мощных GPU, потратить сотни миллионов долларов, и управлять всем этим командой инженеров одной компании. Так делают Meta, Google, OpenAI.

Подход SN3 Templar: дать возможность людям по всему миру использовать по одной или нескольку GPU-серверов, объединяя их как пазл, чтобы совместно обучить полноценную модель.

Но есть фундаментальная проблема: если участники разбросаны по всему миру, не доверяют друг другу, и сеть нестабильна, как обеспечить качество обучения? Как предотвратить лень или мошенничество? Как мотивировать участников продолжать?

Bittensor дает ответ: использовать токен TAO в качестве мотивации. Чем эффективнее градиенты (то есть вклад в улучшение модели), тем больше TAO получает участник. Система автоматически оценивает и рассчитывает вознаграждение без централизованного органа.

Это и есть SN3 (третья подсеть) — кодовое название Templar.

Если Bitcoin доказал, что децентрализованные деньги возможны, то SN3 доказывает, что децентрализованное обучение ИИ тоже реально.

2. Что достигнуто в SN3?

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

Что означает “72B”?: 720 миллиардов параметров. Параметры — это “знания” модели, чем их больше, тем модель умнее. GPT-3 — 1750 млрд, LLaMA-2 (от Meta) — 700 млрд. Covenant-72B — примерно того же уровня.

Масштаб обучения: около 1,1 триллиона токенов, что примерно равно 550 миллионам книг (при средней книге в 200 тысяч слов).

Кто участвовал?: более 70 независимых участников (майнеров), каждый вносил вычислительные ресурсы (до 20 узлов за раунд). Обучение началось 12 сентября 2025 года и длилось около 6 месяцев. Без центральных серверов и единого координирующего органа.

Как модель показывает себя?: по сравнению с популярными тестами ИИ:

Источник данных: модель-карта Covenant/Covenant-72B-Chat на HuggingFace

• MMLU (57 дисциплин): Covenant-72B — 67.35% против Meta LLaMA-2 — 63.08%
• GSM8K (математические задачи): Covenant-72B — 63.91% против LLaMA-2 — 52.16%
• IFEval (следование инструкциям): Covenant-72B — 64.70% против LLaMA-2 — 40.67%

Открытый исходный код: лицензия Apache 2.0. Любой может скачать, использовать и коммерчески применять без ограничений.

Научное подтверждение: статья подана на arXiv [2603.08163], ключевые технологии (SparseLoCo и Gauntlet) представлены на NeurIPS Optimization Workshop.

3. Что означает этот результат?

Для сообщества открытых ИИ: раньше, из-за затрат и требований к вычислительным ресурсам, обучение моделей такого уровня было прерогативой крупных корпораций. Covenant-72B впервые показывает, что сообщество без централизованных инвестиций может обучить такую же модель. Это меняет границы возможного для участия в разработке базовых моделей ИИ.

Для власти в области ИИ: текущая структура — это концентрация власти у OpenAI, Google, Meta и других. Децентрализованное обучение ставит под сомнение этот монополизм. Впервые “только крупные компании” не являются единственными, кто может создавать базовые модели — это кардинально меняет правила игры.

Для криптоиндустрии: это первый случай, когда крипто-проекты реально вносят технологический вклад в область ИИ, а не просто используют хайп. Covenant-72B — это модель, статьи, открытые бенчмарки. Это прецедент: крипто-мотивация может стать инфраструктурой для серьезных исследований ИИ.

Для самого Bittensor: успех SN3 превращает его из гипотетического децентрализованного протокола в практическую децентрализованную инфраструктуру ИИ. Это качественный скачок.

4. Историческая роль SN3

SN3 не первый в пути децентрализованного обучения, но достиг тех высот, куда раньше не доходили.

Эволюция децентрализованного обучения:

• 2022 — Together GPT-JT (6B): ранние эксперименты, подтверждение возможности многопроцессорного сотрудничества
• 2023 — SWARM Intelligence (~1B): разработка гибкой архитектуры для разнородных узлов
• 2024 — INTELLECT-1 (10B): межорганизационное децентрализованное обучение
• 2026 — Covenant-72B / SN3 (72B): первый крупный пример, когда модель превосходит по качеству централизованные аналоги на основных бенчмарках

За 4 года параметры выросли в 12 раз — с 6B до 72B. Но важнее не число параметров, а качество: Covenant-72B — первый децентрализованный проект, который по результатам обошел централизованные модели.

Ключевые технологические прорывы:

• >146-кратное сжатие (>99%): при передаче градиентов участники передают значительно меньшие объемы данных — более 146 раз меньше, чем исходно. Это как сжать сериал в одну картинку с минимальной потерей информации.
• Только 6% коммуникационных затрат: из 100% времени участники тратят лишь 6% на обмен данными, остальные — на обучение. Это решает главный узкий момент децентрализованного обучения.

5. Недооценка децентрализованного обучения?

Посмотрим на данные:

• 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 Covenant-72B превосходит по результатам модель LLaMA-2, созданную за большие деньги.

А как же текущие лидеры?

• MMLU: Covenant-72B — 67.35%, Qwen2.5-72B — 86.8%, LLaMA-3.1-70B — 83.6%
• GSM8K: Covenant-72B — 63.91%, Qwen2.5-72B — 95.8%, LLaMA-3.1-70B — 95.1%

Разрыв — около 20-30 процентных пунктов.

Но важно помнить: Covenant-72B — это не победа над SOTA, а доказательство возможности децентрализованного обучения. За Qwen2.5 и LLaMA-3.1 стоят миллиарды долларов, тысячи GPU и крупные команды инженеров. Covenant-72B — это 70+ независимых майнеров без централизованного координации.

Тренд важнее статичных цифр:

• 2022 — лучшие децентрализованные модели — 6B, без тестов MMLU
• 2026 — Covenant-72B — 67.35% по MMLU, превосходит аналоги

За 4 года децентрализованное обучение перешагнуло порог “эксперимента” и достигло уровня, сопоставимого с централизованными моделями. Эта кривая прогресса — важнее любой отдельной метрики.

Кроме того, для устранения разрыва в глубоком логическом выводе планируется использовать RLHF (обучение с подкреплением на основе обратной связи), что является ключевым улучшением GPT-4 по сравнению с GPT-3.

Следующая важная веха — Heterogeneous SparseLoCo: она позволит использовать разное оборудование (B200, A100, потребительские GPU) в одном обучении. Это значительно расширит вычислительный пул.

Доказано, что децентрализованное обучение — реализуемо. Разрыв по результатам — это инженерная задача, а не теоретический барьер.

Часть II: Рынок все еще не понимает этого

График цены TAO

После объявления SN3 цена TAO оставалась в стагнации 2 дня (с 10 по 12 марта). Это отражает задержку в восприятии.

Почему так? Потому что инвесторы видят “SN3 завершил обучение модели”, но не понимают, что значит превосходство в MMLU и других тестах.

Исследователи ИИ понимают, что это важно, но не интересуются криптой.

Между двумя сообществами существует информационный разрыв, создающий окно для ценового роста — когда рынок переоценит потенциал.

Также большинство криптоинвесторов по-прежнему оценивают Bittensor по прошлому циклу. Сейчас в сети более 79 активных подсетей, охватывающих AI-агентов, вычислительные ресурсы, обучение, торговлю и роботов. Когда рынок переоценит потенциал Bittensor как инфраструктуры ИИ, этот разрыв исчезнет — и рост цены последует.

Оценка Bittensor

В контексте индустрии:

SN3 доказал: Bittensor способен обучать крупные модели в децентрализованной среде.

Если в будущем потребуется открытая, безразрешительная сеть для обучения ИИ, то единственная уже проверенная инфраструктура — это Bittensor.

Рынок сейчас оценивает его как инфраструктурную платформу для ИИ, исходя из приложений.

Даже внутри крипто — Bitcoin занимает 50-60% рынка, а доля Bittensor в крипто-ИИ сегменте — около 11.5%.

Когда рынок переоценит роль Bittensor в инфраструктуре ИИ, эта разница исчезнет.

Вывод: Bittensor — надежда всего крипто-сообщества

Если Covenant-72B в SN3 доказал что:

Децентрализованная сеть может координировать не только капитал, но и вычислительные ресурсы и передовые разработки ИИ.

За последние годы крипто в области ИИ оставался на периферии. Многие проекты — лишь концепции, хайп или капиталовложения, без реальных технологий. SN3 — яркий пример обратного.

Он не вводит новый токен или не создает “ИИ + Web3” продукт. Он делает более фундаментальную и сложную задачу:

Обучение крупной модели без централизованной координации.

Участники — со всего мира, доверия друг к другу не требуется; система автоматически управляет вкладом и распределением вознаграждений через цепочку.

Крипто-механизмы впервые в истории создали реальную производительность в области ИИ.

Многие еще не осознают значение SN3. Как и в случае с Bitcoin, многие не поняли, что он доказал — не “лучшие платежи”, а возможность безцентрализованного согласия о стоимости.

Сегодня многие видят только бенчмарки, релизы моделей или краткосрочный рост цен.

Но главное — Bittensor доказывает, что:

• Крипто — это не только выпуск активов, но и организация производства
• Крипто — это не только торговля вниманием, но и создание интеллекта

Открытые сообщества могут писать код, ученые — публиковать статьи, но при масштабных задачах — долгосрочном обучении, межрегиональном сотрудничестве, противодействии мошенничеству и распределении прибыли — нужны экономические стимулы и системы репутации.

Без них невозможно создать глобальную, безразрешительную сеть производства ИИ.

Поэтому, вопрос: недооценен ли Bittensor? Ответ — не “возможно”, а “явно и системно недооценен”.

В общем дебате “Есть ли еще смысл в крипте” Bittensor дает самый сильный ответ.

И потому: Bittensor — надежда всего крипто-сообщества.