NEAR Protocol-Mitgründer Illia Polosukhin hat Delta League gestartet, eine Plattform, die die Verbesserung von KI-Modellen in ein kollaboratives Crowdsourcing-Verfahren innerhalb des NEAR-Protokoll-Ökosystems verwandelt. Polosukhin kündigte die Initiative über sein Konto @ilblackdragon an. Statt sich auf ein einzelnes Entwicklungsteam zu verlassen, ermöglicht die Plattform externen Beitragenden, Änderungen an KI-Modellen vorzuschlagen, wobei jede Einreichung durch Verifizierungsverfahren und private Tests bewertet wird.

Wie Delta League Modellverbesserungen bewertet

Teilnehmende können verschiedene Arten von Modellmodifikationen einreichen, darunter Low-Rank Adaptation (LoRA)-Dateien, sparse oder dense Gewichtsunterschiede sowie vollständige Modell-Checkpoints. Diese Einreichungen verändern die numerischen Gewichte, die bestimmen, wie ein KI-Modell Informationen verarbeitet und Antworten generiert.

Laut der Delta-League-Website verifiziert die Plattform die eingereichten Gewichte, bevor Validierungsverfahren und private Tests durchgeführt werden. Jede Modifikation erhält eine Punktzahl auf Basis eines verborgenen Testdatensatzes, sodass Beitragende ihre Leistung mit dem Originalmodell vergleichen können, ohne je Zugriff auf die Bewertungsdaten selbst zu erhalten. Die Geheimhaltung dieser Bewertungsdaten verhindert, dass Einreichungen direkt auf die bewerteten Fragen zugeschnitten werden – eine bekannte Schwachstelle, wenn Testdatensätze öffentlich verfügbar sind.

Das System bewahrt zudem die Abstammungslinie jeder verifizierten Modellversion. Beitragende können zuvor eingereichte Verbesserungen als Ausgangspunkt für weitere Modifikationen nutzen, und jede neue Version bleibt mit dem Modell verknüpft, das sie verändert.

Erster Wettbewerb richtet sich auf Qwen3.5 0.8B

Der erste Wettbewerb basiert auf Qwen3.5 0.8B, einem relativ kleinen offenen Modell aus Alibabas Qwen-Familie, wobei die Bezeichnung 0.8B auf rund 0,8 Milliarden Parameter hinweist. Fünf verifizierte Modifikationen haben die gemeldete Punktzahl bislang von 18,6 % auf 19 % erhöht.

Auch wenn die Verbesserung begrenzt ist, liefern die ersten Ergebnisse einen frühen Nachweis dafür, wie Delta Leagues Verifizierungs- und Bewertungsprozess an einem aktiven Modell funktioniert.

Architekturänderungen und Unternehmens-Tests auf der Roadmap

Von der nächsten Entwicklungsphase der Plattform wird erwartet, dass sie über Modifikationen an Modellgewichten hinausgeht. Unterstützung für Änderungen an der Modellarchitektur ist für die kommenden Tage geplant und könnte Teilnehmenden ermöglichen, grundlegendere Anpassungen an der Struktur der Modelle vorzuschlagen.

Delta League plant zudem die Einführung individueller Testfunktionen für Unternehmen. Diese Tests würden es Firmen erlauben, eingereichte Modifikationen anhand von Aufgaben und Anforderungen zu bewerten, die spezifisch für ihre eigenen Abläufe sind.

Die Ergänzung von Änderungen auf Architekturebene und unternehmensdefinierten Bewertungen könnte das Spektrum der vom Wettbewerb akzeptierten Beiträge erweitern. Beide Funktionen wurden jedoch als kommende Features beschrieben und nicht als bereits beim Start verfügbare Funktionalitäten.

Polosukhins breitere Vision für offene KI

Die Initiative spiegelt Polosukhins breiteres Interesse an offener und nutzereigener künstlicher Intelligenz wider. Er ist Mitautor der Forschungsarbeit „Attention Is All You Need“ aus dem Jahr 2017, welche die Transformer-Architektur einführte, die den meisten modernen großen Sprachmodellen zugrunde liegt, und leitet heute die Arbeiten bei NEAR AI, wie Fast Company berichtet.

In einem Podcast-Interview, das von Open Commons zusammengefasst wurde, argumentierte Polosukhin, dass die öffentliche Verfügbarkeit von Modellgewichten allein nicht ausreicht, um ein KI-System als Open Source zu qualifizieren. Er verwies zudem auf die Bedeutung des Zugangs zu Trainingsdaten, Trainingsrezepten und Entwicklungsmethodik.

Delta League setzt diese Philosophie in die Praxis um, indem Modellentwicklung als gemeinsamer Verbesserungsprozess behandelt wird: Beitragende reichen Änderungen ein, lassen diese anhand privater Daten bewerten und stellen verifizierte Versionen für die Weiterentwicklung bereit.

Ob dieser Crowdsourcing-Ansatz bedeutende Verbesserungen bei größeren und komplexeren KI-Modellen liefern kann, bleibt ungewiss. Die ersten Ergebnisse zu Qwen3.5 0.8B zeigen einen messbaren, aber bescheidenen Zuwachs, während die breitere Leistungsfähigkeit durch künftige Einreichungen belegt werden muss. Kurzfristige Indikatoren sind das Eintreffen der versprochenen Unterstützung für Architekturänderungen sowie weitere Bewegungen der Qwen3.5-0.8B-Punktzahl über 19 % hinaus.

Quelle: BSC News