NEAR Protocol ($NEAR)-Mitgründer Illia Polosukhin hat Delta League ins Leben gerufen, einen öffentlichen Wettbewerb, bei dem jeder Verbesserungen an einem offenen KI-Modell einreichen kann. Die Plattform wurde von Polosukhin (@ilblackdragon) angekündigt und wird von @near_ai für das @NEARProtocol-Ökosystem betrieben.

Wie Delta League funktioniert

Die Teilnehmer reichen Änderungen an den Gewichtungen eines Modells ein – den Zahlen im Inneren des Modells, die seine Antworten prägen. Laut der Delta-League-Website können Teilnehmer eine LoRA, eine spärliche oder dichte Gewichtsdifferenz oder einen vollständigen Checkpoint einreichen, und jede Änderung bewahrt ihre Modell-Herkunft. LoRAs – Low-Rank-Adaptions – sind eine kompakte Fine-Tuning-Technik, die nur einen kleinen Teil der Parameter eines Modells trainiert, statt das gesamte Modell neu zu trainieren. Die Plattform verifiziert die eingereichten Gewichtungen und führt anschließend Validierungs- und private Tests durch, damit Teilnehmer ihre Scores mit denen des Originalmodells vergleichen können.

Jeder Edit wird anhand eines verborgenen Test-Sets bewertet, und jede verifizierte Version bleibt offen, damit andere darauf aufbauen können. Das Zurückhalten von Testdaten ist eine Standard-Sicherungsmaßnahme bei der Evaluierung im Machine Learning: Sie misst die Leistung an Beispielen, die der Beitragende nie gesehen hat. Diese Struktur ermöglicht es Beitragenden, an früheren Arbeiten anzuknüpfen, statt bei null anzufangen, wobei jede Änderung dem Modell zugeordnet wird, das sie verändert hat.

Erster Test an Qwen3.5 0.8B

Der erste Test verwendet Qwen3.5 0.8B, ein kleines offenes Modell – die Bezeichnung 0.8B verweist auf rund 800 Millionen Parameter. Fünf verifizierte Edits haben den Score bisher von 18,6 % auf 19 % erhöht, ein Zuwachs von 0,4 Prozentpunkten. Der Zuwachs ist bescheiden, zeigt aber, dass der Verifizierungsprozess an einem Live-Modell funktioniert.

Qwen3.5 ist eine Familie offener Modelle von Alibaba. Laut dem Wikipedia-Eintrag zu Qwen hat Alibaba Qwen3.5 mit offenen Gewichtungen im Februar 2026 veröffentlicht.

Wie es weitergeht

Unterstützung für Änderungen an Modelldesigns und individuelle Tests für Unternehmen wird in den kommenden Tagen folgen. Die Möglichkeit, Änderungen an der Architektur eines Modells und nicht nur an dessen Gewichtungen vorzunehmen, würde das Spektrum der Beiträge erweitern, die der Wettbewerb annehmen kann. Individuelle Tests würden es Unternehmen ermöglichen, Edits anhand ihrer eigenen Aufgaben zu messen. Diese Ergänzungen sowie jede weitere Bewegung des Basis-Scores sind die kurzfristigen Indikatoren, die zu beobachten sind.

Der Start passt zu Polosukhins breiterem Engagement für offene und nutzerkontrollierte KI. Er ist Mitautor des Papers „Attention Is All You Need“ aus dem Jahr 2017, das die Transformer-Architektur einführte, und leitet nun die Arbeiten bei NEAR AI, wie Fast Company berichtet. In einem Podcast-Interview, das Open Commons zusammenfasste, argumentierte er, dass allein die Freigabe von Modellgewichtungen ein KI-System nicht zu Open Source macht und dass echte Offenheit auch den Zugang zu Trainingsdaten, Rezepturen und Methodik erfordert. Diese Unterscheidung zieht sich durch eine breitere Branchendebatte, in der mehrere führende Modelfamilien mit offenen Gewichtungen ausgeliefert werden, während ihre Trainingsdaten geschlossen bleiben.

Delta League erprobt einen anderen Weg zur Verbesserung:Crowdsourced, verifizierte Änderungen an einem gemeinsamen Modell, deren Ergebnisse anhand von Daten bewertet werden, die die Teilnehmer nicht einsehen können. Das Format erinnert an etablierte Machine-Learning-Wettbewerbe wie den Netflix Prize 2009 und Kaggles Contests, bei denen verteilte Teilnehmer gemeinsame Benchmarks verbesserten. Wie weit dieser Ansatz größere Modelle heben kann, bleibt abzuwarten – und die ersten Ergebnisse sind klein.