Nach dem "Black Monday" des Kryptomarktes in dieser Woche, der einen signifikanten Abschwung verzeichnete, erlebten Token aus verschiedenen Sektoren am folgenden Tag eine Erholung. Unter ihnen sticht Bittensor (TAO) als der bemerkenswerteste hervor.

Laut Daten von CoinMarketCap stieg Bittensor (TAO) gestern um 23,08%, was es zum besten Performer in Bezug auf die Erholung unter den Top 100 Token nach Marktkapitalisierung macht.

Obwohl die KI-Erzählung nicht mehr so heiß ist wie zu Beginn des Jahres, zeigt die Wahl des spekulativen Kapitals das Vertrauen in führende Projekte in diesem Sektor. Allerdings hat Bittensor in der Vergangenheit einige FUD (Fear, Uncertainty, and Doubt) erfahren, wobei die Community den Namen des Projekts und die praktischen Anwendungen innerhalb seiner Teilnetze in Frage stellte.

(Siehe auch: FUD und Gerüchte: Wird der neue KI-König Bittensor von seinem Thron gestoßen?)

Ist Bittensor nur eine leere Hülle, obwohl der Nutzen eines Kryptoprojekts nicht immer direkt mit dem Tokenpreis korreliert?

In den letzten Monaten hat Bittensor 12 neue Teilnetze hinzugefügt, die alle in gewissem Maße zur KI-bezogenen Entwicklung beitragen und möglicherweise neue Alpha-Projekte entstehen lassen. Wir haben diese neuen Teilnetze überprüft, um ihre grundlegenden Veränderungen zu beobachten und uns dabei auf die Erholung der TAO-Preise zu konzentrieren.

Teilnetz 38: Sylliba, ein Text-to-Speech-Übersetzungstool, das 70+ Sprachen unterstützt

Entwicklungsteam: Agent Artificial

Einführung:

Sylliba ist eine Übersetzungsanwendung, die sowohl Text- als auch Sprachübersetzungen in über 70 Sprachen unterstützt. Diese Anwendung kann insbesondere von On-Chain-KI-Agenten genutzt werden:

• Automatisierte Übersetzungsprozesse: KI-Agenten können diesen Dienst automatisch für die informationsverarbeitung und Kommunikation über Sprachgrenzen hinweg aufrufen.
• Verbesserte KI-Fähigkeiten: Ermöglicht KI-Systemen ohne mehrsprachige Fähigkeiten, mehrsprachige Aufgaben zu bewältigen.
• Blockchain-Verifizierung: Übersetzungsanfragen und -ergebnisse können auf der Blockchain überprüft werden, was die Glaubwürdigkeit des Systems erhöht.
• Anreizmechanismus: Durch Tokenökonomie kann es hochwertige Übersdienstleister motivieren.

Projektadresse: https://github.com/agent-artificial/sylliba-Teilnetz

Teilnetz 34: Bitmind, ein Werkzeug zur Erkennung und Unterscheidung von echtem und gefälschtem synthetischem Inhalt

Entwicklungsteam:@BitMindAI

Einführung:

BitMind konzentriert sich auf die Entwicklung von dezentraler Deepfake-Erkennungstechnologie. Mit dem raschen Fortschritt von generativen KI-Modellen wird es immer schwieriger, zwischen hochwertigen synthetischen Medien und echtem Inhalt zu unterscheiden.

BitMind's Teilnetzadressiert dieses Problem, indem robuste Erkennungsmechanismen innerhalb des Bittensor-Netzwerks eingesetzt werden, die sowohl generative als auch diskriminative KI-Modelle verwenden, um Deepfakes effektiv zu identifizieren.

Darüber hinaus ermöglicht die BitMind-API Entwicklern, die Deepfake-Erkennungsfähigkeiten des Teilnetzes zu nutzen, um leistungsstarke Verbraucheranwendungen zu erstellen. Die BitMind-Webanwendung bietet eine Bild-Upload-Schnittstelle und verwendet die API, um Benutzern schnell die Wahrscheinlichkeit zu bewerten, dass ein Bild echt oder gefälscht ist. Dies stellt ein zugängliches und interpretierbares Werkzeug zur Bekämpfung von Täuschungen dar.

Teilnetz 43: Graphit, intelligentes Pfadplanungsnetzwerk

Entwicklungsteam:@GraphiteSubnet

Einführung:

Graphite ist ein Teilnetz, das speziell für die Lösung von graphenbezogenen Problemen entwickelt wurde und sich besonders auf das Traveling Salesman Problem (TSP) konzentriert. TSP ist ein klassisches Optimierungsproblem, das darauf abzielt, die kürzeste mögliche Route zu finden, die einen Satz von Städten besucht und zum Ausgangspunkt zurückkehrt.

Graphite nutzt das dezentralisierte Machine-Learning-Netzwerk von Bittensor, um Minenarbeiter effizient für die Bewältigung der Rechenanforderungen von TSP und ähnlichen Graphenproblemen zu verbinden. Derzeit generieren Validatoren synthetische Anfragen und senden sie an Bergleute im Netzwerk. Bergleute sind dafür verantwortlich, das TSP mithilfe ihrer Algorithmen zu lösen und die Ergebnisse zur Bewertung an Validatoren zurückzusenden.

Teilnetz 42: Gen42, der Open-Source-KI-Codierungsassistent von GitHub

Entwicklungsteam:@RizzoValidator，@FrankRizz07

Einführung:

Gen42 nutzt das Bittensor-Netzwerk, um dezentralisierte Code-Generierungsdienste anzubieten. Ihr Schwerpunkt liegt auf der Entwicklung leistungsstarker, skalierbarer Tools für die beantwortung von codebasierten Fragen und die Code-Vervollständigung, basierend auf Open-Source-Modellen in großen Sprachen.

Hauptprodukte:

a. Chat-Anwendung: Bietet eine Chat-Oberfläche, über die Benutzer mit ihrem Teilnetz interagieren können. Die Hauptfunktion dieser Anwendung ist die beantwortung von Fragen anhand von Code.

b. Code-Vervollständigung: Bietet eine OpenAI-kompatible API, die mit continue.dev verwendet werden kann.

Details zur Beteiligung von Minern und Validatoren finden Sie auf der Projektseite.GitHub.

Teilnetz 41: Sportstensor, Sportprognosemodell

Entwicklungsteam:@sportstensor

Einführung:

Sportstensor ist ein Projekt, das sich auf die Entwicklung dezentralisierter Sportvorhersagealgorithmen konzentriert, unterstützt durch das Bittensor-Netzwerk.

Das Projekt bietet grundlegende Modelle auf der Open-Source-Plattform HuggingFace für Miner zum Trainieren und Verbessern. Es unterstützt die strategische Planung und Leistungsanalyse auf der Grundlage historischer und Echtzeitdaten und belohnt umfassende Datensammlung und die Entwicklung von Hochleistungsprognosemodellen.

Miner- und Validator-Rollen:

• Miner: Empfangsanfragen von Validatoren, greift auf relevante Daten zu und trifft Vorhersagen mithilfe von Machine-Learning-Modellen.
• Validatoren: Sammeln Sie Vorhersagen von Minenarbeitern, vergleichen Sie sie mit den tatsächlichen Ergebnissen und protokollieren Sie Validierungsergebnisse.

Teilnetz 29: coldint, Nischen-KI-Modell-Training

Entwickler: Noch nicht gefunden,Die offizielle Website ist hier

Einführung:

SN29 Coldint, kurz für Collective Distributed Incentivized Training, konzentriert sich auf das Vor-Training von Nischenmodellen. „Nischenmodelle“ beziehen sich auf solche, die möglicherweise nicht so weit verbreitet sind wie große, allgemeine Modelle, aber in speziellen Bereichen oder Aufgaben sehr wertvoll sind.

Miner und Rollenbeteiligung:

a) Miners verdienen hauptsächlich Anreize, indem sie ihre trainierten Modelle öffentlich teilen.

b) Sekundäre Anreize werden an Miner oder andere Beitragende vergeben, die Einblicke teilen, indem sie zum Codebestand beitragen.

c) Miners werden ermutigt, ihre Verbesserungen regelmäßig durch Belohnungen für kleine Optimierungen zu teilen.

d) Signifikante Belohnungen werden für Codebeiträge bereitgestellt, die individuelle Schulungsbemühungen effektiv zu verbesserten Kompositmodellen kombinieren.

Teilnetz 40: Chunking, optimierter Datensatz für RAG (Retrieval-Augmented Generation) Anwendung

Entwicklungsteam: @vectorchatai

Token: $CHAT

Einführung:

SN40 Chunking-Funktionen funktionieren wie ein außerordentlich kluger Bibliothekar, der speziell darauf ausgelegt ist, große Informationsmengen (Texte, Bilder, Audio usw.) in kleinere Teile zu unterteilen. Dieser Ansatz erleichtert es KI, die Informationen zu verstehen und zu nutzen. Genau wie ein gut organisierter Bücherregal Ihnen dabei hilft, schnell das zu finden, wonach Sie suchen, hilft SN40 Chunking dabei, das "Bücherregal zu organisieren" für KI.

SN40 Chunking ist nicht auf Text beschränkt, sondern kann auch verschiedene Arten von Informationen verarbeiten, einschließlich Bilder und Audio. Es ist vergleichbar mit einem vielseitigen Bibliothekar, der nicht nur Bücher, sondern auch Fotoalben, Musik-CDs und mehr verwaltet.

Teilnetz 39: EdgeMaxxing, Optimierung von KI-Modellen für den Betrieb auf Verbrauchergeräten

Entwicklungsteam:@WOMBO

Einführung: SN39 EdgeMaxxing ist ein Teilnetz, das sich auf die Optimierung von KI-Modellen für Verbrauchergeräte konzentriert, von Smartphones bis hin zu Laptops. Das EdgeMaxxing-Teilnetz verwendet ein Wettbewerbsprämiensystem mit täglichen Wettbewerben, um die Teilnehmer kontinuierlich zu ermutigen, die Leistung von KI-Modellen auf Verbrauchergeräten zu verbessern.

Teilnehmerrollen und Verantwortlichkeiten:

Miner: Die Hauptaufgabe besteht darin, optimierte AI-Modellprüfpunkte einzureichen. Sie verwenden verschiedene Algorithmen und Tools, um die Modellleistung zu verbessern.

Validatoren: Müssen die eingereichten Modelle auf der angegebenen Zielhardware ausführen (z. B. NVIDIA GeForce RTX 4090). Sie sammeln täglich alle von Minern eingereichten Modelle, benchmarken jedes Modell und vergleichen die Ergebnisse mit Baseline-Checkpoint. Validatoren bewerten Modelle anhand von Geschwindigkeitsverbesserungen, Genauigkeitserhaltung und allgemeinen Effizienzsteigerungen und wählen das am besten abschneidende Modell des Tages als Gewinner aus.

Open-Source-Repository des Projekts: https://github.com/womboai/edge-maxxing

Teilnetz 30: Bettensor, dezentralisierter Sportwettenmarkt

Entwicklungsteam:@Bettensor

Einführung:

Bittensor ermöglicht es Sportbegeisterten, die Ergebnisse von Sportereignissen vorherzusagen und so einen dezentralen Sportwettenmarkt auf Basis der Blockchain-Technologie zu schaffen.

Teilnehmerrollen:

Miner: Verantwortlich für die Generierung von Vorhersageergebnissen.

Validierer: Überprüft die Genauigkeit der Vorhersageergebnisse.

Datensammler: Sammelt Daten zu Sportereignissen aus verschiedenen Quellen.

Projekt-Open-Source-Repository: https://github.com/Bettensor/bettensor (scheint noch in der Entwicklung zu sein)

Subnetz 06: Unendliche Spiele, allgemeiner Prognosemarkt

Entwicklungsteam:@Playinfgames

Einführung:

Infinite Games entwickelt Echtzeit- und Vorhersagewerkzeuge für Prognosemärkte. Das Projekt beschäftigt sich auch mit Arbitrage und Aggregation von Ereignissen auf Plattformen wie Gate.io@Polymarketund@azuroprotocol.

Anreizsystem:

Verwendet $TAO-Token als Anreize.

Belohnt Anbieter genauer Vorhersagen und wertvoller Informationen.

Insgesamt fördert das Projekt die Beteiligung der Benutzer an Vorhersagen und dem Austausch von Informationen und fördert eine aktive Vorhersagegemeinschaft.

Teilnetz 37: LLM Feinabstimmung, Feinabstimmung des großen Sprachmodells

Entwicklungsteam: Taoverse &@MacrocosmosAI

Einführung:

Dabei handelt es sich um ein Subnetz, das sich auf die Feinabstimmung großer Sprachmodelle (LLMs) konzentriert, Miner für die Feinabstimmung von LLMs belohnt und den kontinuierlichen synthetischen Datenstrom aus Subnetz 18 für die Modellbewertung verwendet.

Betriebsmechanismus:

• Miner trainieren Modelle und veröffentlichen sie regelmäßig auf der Hugging Face Plattform.
• Validatoren laden Modelle von Hugging Face herunter und bewerten sie kontinuierlich mit synthetischen Daten.
• Die Auswertungsergebnisse werden auf der wandb-Plattform aufgezeichnet.
• TAO-Token werden als Belohnung an Miner und Validatoren entsprechend ihrer Leistung verteilt.

Projektlageradresse: https://github.com/macrocosm-os/finetuning

Teilnetz 21: Jeder zu Jeder, Erstellung fortschrittlicher KI Multi-Modal-Modelle

Entwicklungsteam:@omegalabsai

Einführung:

"Jede zu Jede" in diesem Projekt bezieht sich auf die Fähigkeit eines multimodalen KI-Systems, verschiedene Arten von Daten oder Informationen zu transformieren und zu verstehen, wie z.B. Text in Bilder, Bilder in Text, Audio in Video und Video in Text. Das System führt nicht nur diese Transformationen durch, sondern versteht auch die Beziehungen zwischen verschiedenen Modalitäten. Es kann beispielsweise die Verbindung zwischen einer textuellen Beschreibung und einem Bild oder zwischen einem Video und seinem entsprechenden Audio erfassen.

In diesem Teilnetz ist der Anreizmechanismus darauf ausgelegt, globale KI-Forscher und -Entwickler zur Teilnahme am Projekt zu ermutigen.

• Mitwirkende können Token-Belohnungen erhalten, indem sie wertvolle Modelle, Daten oder Rechenressourcen bereitstellen.
• Dieser direkte wirtschaftliche Anreiz macht hochwertige KI-Forschung und -Entwicklung zu einem nachhaltigen Vorhaben.

Projektlageradresse: https://github.com/omegalabsinc/omegalabs-anytoany-bittensor

Zusätzliches Wissen:

Ergänzendes Wissen:

Für den Fall, dass einige Leser mit dem Konzept der Bittensor-Subnetze nicht vertraut sind, hier eine einfache Erklärung:

• Ein Teilnetzwerk ist ein spezialisiertes Netzwerk innerhalb des Bittensor-Ökosystems.
• Jedes Teilnetz konzentriert sich auf spezifische KI- oder maschinelle Lernaufgaben.
• Teilnetze ermöglichen es Entwicklern, KI-Modelle für bestimmte Zwecke zu erstellen und bereitzustellen.
• Sie verwenden Kryptowirtschaft, um Teilnehmer zur Bereitstellung von Rechenressourcen und Verbesserung von Modellen anzureizen.

Anweisung:

1. Dieser Artikel ist eine Wiedergabe von [TechFlow (Englisch)], Originaltitel "TAO hat jetzt den stärksten Aufschwung, 12 nützliche KI-Projekte im Teilnetzwerk werden überprüft", das Urheberrecht gehört dem ursprünglichen Autor [深潮 TechFlow], bei Einwänden gegen die Reproduktion wenden Sie sich bitte anGate Learn Team, das Team wird es so schnell wie möglich gemäß den entsprechenden Verfahren bearbeiten.

2. Haftungsausschluss: Die in diesem Artikel geäußerten Ansichten und Meinungen stellen nur die persönlichen Ansichten des Autors dar und stellen keine Anlageberatung dar.

3. Andere Sprachversionen des Artikels werden vom Gate Learn-Team übersetzt, das nicht erwähnt wird.Gate.ioDas übersetzte Artikel darf nicht reproduziert, verteilt oder plagiiert werden.