Subnet 5 đã đón nhận một bản cập nhật lớn vào cuối tháng 9, và chúng tôi sẽ giới thiệu nội dung cụ thể của nó trong bài viết này để giúp thị trường hiểu và đánh giá lại tầm quan trọng và tiềm năng của Subnet 5.
Subnet 5 Open Kaito
Emission: 0.88% (2024-10-10)
Github: https://github.com/OpenKaito/openkaito
SN5 là gì?
Mục tiêu cốt lõi của Bittensor Subnet 5 là phát triển mô hình nhúng văn bản có hiệu suất và ứng dụng rộng nhất trên thế giới, đồng thời thực hiện việc đào tạo, đánh giá và phục vụ mô hình một cách phi tập trung, và mở ra các mô hình này dưới dạng API để hỗ trợ cho các ứng dụng hạ nguồn rộng rãi.
SN 5 sử dụng mạng nút phi tập trung của Bittensor để thực hiện việc đánh giá động và cải thiện liên tục các mô hình.
Các Thợ đào của SN 5 chịu trách nhiệm sử dụng bộ dữ liệu văn bản quy mô lớn được cập nhật liên tục để đào tạo các mô hình, và cam kết cung cấp các mô hình với độ trễ thấp và Số lượng giao dịch trên mỗi giây cao để đáp ứng các yêu cầu từ các ứng dụng hạ nguồn.
Các Validator của SN 5 chịu trách nhiệm sử dụng một loạt các tiêu chuẩn để đánh giá nghiêm ngặt các mô hình, liên tục lọc ra các mô hình chất lượng hơn. Các mô hình do Thợ đào cung cấp sẽ được so sánh với các mô hình nhúng văn bản tối ưu nhất trên thị trường, để đảm bảo rằng các mô hình do SN 5 tạo ra luôn cạnh tranh được và tiếp tục tiến hóa.
Làm thế nào để đánh giá Thợ đào?
Trong SN 5, Thợ đào sẽ nhận được một loạt các văn bản, sử dụng các mô hình của họ để thực hiện nhúng văn bản, và Validator sẽ đánh giá chất lượng nhúng thông qua hàm mất mát học tập.
Công thức hàm mất mát là:
Trong đó, c là nhúng mục tiêu, x là mẫu dương, x' là mẫu âm. Quá trình này nhằm tối đa hóa thông tin tương hỗ giữa mẫu dương x và nhúng mục tiêu c.
Các Thợ đào có chất lượng nhúng cao hơn sẽ nhận được điểm số cao hơn, và các mô hình do họ cung cấp cũng được coi là chất lượng hơn.
Sản phẩm SN 5 đã đạt được những kết quả như thế nào?
Trong cơ chế khích lệ này, các mô hình sản phẩm của SN 5 đã đạt được một số thành tựu:
Vào ngày 9 tháng 10 năm 2024, các mô hình nhúng văn bản do Thợ đào cung cấp đã cải thiện so với chuẩn Openai.
Khi chất lượng các mô hình do SN 5 tạo ra tiếp tục được nâng cao, người dùng sẽ có thể truy cập các mô hình nhúng văn bản phổ dụng vượt trội so với các mô hình tiên tiến nhất hiện tại. Các mô hình này sẽ được công khai cung cấp thông qua API của Bittensor Subnet 5, để dễ dàng ứng dụng và tích hợp vào các ứng dụng khác nhau.
Làm thế nào để đánh giá SN 5 hoàn toàn mới?
SN5 thông qua phương thức phi tập trung để tối ưu hóa và đào tạo các mô hình nhúng văn bản, có thể đóng góp rất lớn cho sinh thái Bittensor và trí tuệ nhân tạo phi tập trung:
- Thúc đẩy tiến hóa của các mô hình có ứng dụng rộng nhất trong ngành: Mục tiêu của SN 5 là phát triển các mô hình nhúng văn bản có hiệu suất và ứng dụng rộng nhất trên thế giới. Các mô hình do SN 5 tạo ra sẽ được đánh giá thông qua một tập dữ liệu động vô hạn, để đảm bảo khả năng tổng quát hóa lĩnh vực ở mức độ cao nhất.
- Tận dụng tối đa mạng phi tập trung để đảm bảo đánh giá động và cải thiện liên tục: Sử dụng mạng Bittensor để thực hiện việc đào tạo và cải thiện mô hình theo phương thức phi tập trung, điều này tránh được các hạn chế của việc phát triển mô hình trí tuệ nhân tạo tập trung, nâng cao tính minh bạch và khả năng chống kiểm duyệt của hệ thống. Và thông qua việc đánh giá động của Validator liên tục khích lệ Thợ đào cải thiện hiệu suất mô hình, đảm bảo rằng các mô hình nhúng của SN5 không chỉ vượt trội so với các mô hình tiên tiến nhất hiện tại, mà còn thích ứng với kiến thức thực tế mới nhất, luôn duy trì tính cạnh tranh và mở rộng giới hạn hiệu suất của ngành.
