Illia Polosukhin, cofundador de NEAR Protocol, ha lanzado Delta League, una plataforma que convierte la mejora de modelos de IA en un proceso colaborativo de crowdsourcing dentro del ecosistema de NEAR Protocol. Polosukhin anunció la iniciativa a través de su cuenta @ilblackdragon. En lugar de depender de un único equipo de desarrollo, la plataforma permite que colaboradores externos propongan cambios en los modelos de IA, con cada envío evaluado mediante procedimientos de verificación y pruebas privadas.

Cómo Delta League evalúa las mejoras de modelos

Los participantes pueden enviar varios tipos de modificaciones de modelos, incluidos archivos LoRA (Low-Rank Adaptation), diferencias de pesos dispersas o densas, y checkpoints completos del modelo. Estos envíos alteran los pesos numéricos que determinan cómo un modelo de IA procesa la información y genera respuestas.

Según el sitio web de Delta League, la plataforma verifica los pesos enviados antes de ejecutar procedimientos de validación y pruebas privadas. Cada modificación recibe una puntuación basada en un conjunto de pruebas oculto, lo que permite a los colaboradores comparar su rendimiento con el modelo original sin acceder nunca a los datos de evaluación. Mantener ocultos esos datos de evaluación evita que los envíos se ajusten directamente a las preguntas evaluadas, una debilidad conocida cuando los conjuntos de pruebas son públicos.

El sistema también preserva la genealogía de cada versión verificada del modelo. Los colaboradores pueden usar mejoras enviadas previamente como punto de partida para nuevas modificaciones, y cada versión nueva permanece vinculada al modelo que modifica.

La primera competencia se centra en Qwen3.5 0.8B

La competencia inaugural se basa en Qwen3.5 0.8B, un modelo abierto relativamente pequeño de la familia Qwen de Alibaba, donde la designación 0.8B indica aproximadamente 800 millones de parámetros. Cinco modificaciones verificadas han elevado hasta ahora su puntaje reportado de 18.6% a 19%.

Aunque la mejora es limitada, los resultados iniciales ofrecen una demostración temprana de cómo funciona el proceso de verificación y evaluación de Delta League sobre un modelo activo.

Cambios de arquitectura y pruebas para empresas en la hoja de ruta

Se espera que la siguiente fase de desarrollo de la plataforma vaya más allá de las modificaciones a los pesos del modelo. El soporte para cambios en la arquitectura del modelo está planeado para los próximos días, lo que podría permitir a los participantes proponer ajustes más fundamentales en la forma en que los modelos están estructurados.

Delta League también planea introducir capacidades de pruebas personalizadas para empresas. Estas pruebas permitirían a las compañías evaluar las modificaciones enviadas frente a tareas y requisitos específicos de sus propias operaciones.

La incorporación de cambios a nivel de arquitectura y evaluaciones definidas por las empresas podría ampliar los tipos de contribuciones aceptadas por la competencia. Sin embargo, ambas capacidades fueron descritas como funciones próximas y no como funciones ya disponibles en el lanzamiento.

La visión más amplia de Polosukhin para una IA abierta

La iniciativa refleja el interés más amplio de Polosukhin en una inteligencia artificial abierta y de propiedad de los usuarios. Fue coautor del artículo de investigación de 2017 "Attention Is All You Need", que introdujo la arquitectura Transformer en la que se basan la mayoría de los grandes modelos de lenguaje modernos, y ahora lidera el trabajo en NEAR AI, según Fast Company.

En una entrevista de podcast resumida por Open Commons, Polosukhin argumentó que hacer públicos los pesos de un modelo no es suficiente para considerar que un sistema de IA es de código abierto. También destacó la importancia del acceso a los datos de entrenamiento, las recetas de entrenamiento y la metodología de desarrollo.

Delta League pone esa filosofía en práctica al tratar el desarrollo de modelos como un proceso de mejora compartida: los colaboradores envían cambios, estos se evalúan contra datos privados y las versiones verificadas quedan disponibles para su posterior desarrollo.

Si este enfoque de crowdsourcing puede generar mejoras significativas en modelos de IA más grandes y complejos sigue siendo incierto. Los resultados iniciales de Qwen3.5 0.8B muestran una ganancia medible pero modesta, y un rendimiento más amplio deberá demostrarse mediante envíos futuros. Los indicadores a corto plazo incluyen la llegada del soporte prometido para editar arquitectura y cualquier movimiento adicional del puntaje de Qwen3.5 0.8B más allá del 19%.

Fuente: BSC News