Le cofondateur de NEAR Protocol ($NEAR), Illia Polosukhin, a lancé Delta League, un concours public qui invite chacun à soumettre des améliorations à un modèle d'intelligence artificielle ouvert. La plateforme a été annoncée par Polosukhin (@ilblackdragon) et est propulsée par @near_ai pour l'écosystème @NEARProtocol.

Fonctionnement de Delta League

Les participants soumettent des modifications des poids d'un modèle — les nombres à l'intérieur du modèle qui façonnent ses réponses. Selon le site web de Delta League, les participants peuvent soumettre un LoRA, une différence de poids creuse ou dense, ou un checkpoint complet, et chaque changement préserve la lignée de son modèle. Les LoRA — adaptations de faible rang — sont une technique de fine-tuning compacte qui n'entraîne qu'une petite fraction des paramètres d'un modèle, plutôt que de réentraîner le modèle entier. La plateforme vérifie les poids soumis, puis exécute des tests de validation et privés, afin que les participants puissent comparer leurs scores à ceux du modèle original.

Chaque modification est évaluée sur un jeu de tests caché, et chaque version vérifiée reste ouverte pour que d'autres puissent s'appuyer dessus. Le fait de garder les données de test à l'écart constitue une mesure de protection standard en apprentissage automatique : elle mesure les performances sur des exemples que le contributeur n'a jamais vus. Cette structure permet aux contributeurs de prolonger des travaux antérieurs plutôt que de repartir de zéro, chaque changement étant enregistré par rapport au modèle qu'il a modifié.

Premier test sur Qwen3.5 0.8B

Le premier test utilise Qwen3.5 0.8B, un petit modèle ouvert — l'étiquette 0.8B désigne environ 800 millions de paramètres. Cinq modifications vérifiées ont jusqu'ici fait passer son score de 18,6 % à 19 %, un gain de 0,4 point de pourcentage. Le gain est modeste, mais il montre que le processus de vérification fonctionne sur un modèle en conditions réelles.

Qwen3.5 est une famille de modèles à poids ouverts d'Alibaba. Selon l'article Wikipédia sur Qwen, Alibaba a publié Qwen3.5 en open weights en février 2026.

Et maintenant

Le support de la modification de l'architecture des modèles et des tests personnalisés pour les entreprises suivra dans les prochains jours. Permettre des changements dans l'architecture d'un modèle, et pas seulement dans ses poids, élargirait l'éventail des contributions que le concours peut accepter. Les tests personnalisés permettraient aux entreprises d'évaluer les modifications par rapport à leurs propres tâches. Ces ajouts, ainsi que toute évolution ultérieure du score de base, constituent les prochains indicateurs à surveiller.

Ce lancement s'inscrit dans le travail plus large de Polosukhin sur une IA ouverte et détenue par les utilisateurs. Il est co-auteur de l'article de 2017 « Attention Is All You Need », qui a introduit l'architecture Transformer, et dirige désormais le travail chez NEAR AI, selon Fast Company. Dans une interview de podcast résumée par Open Commons, il a soutenu que la seule publication des poids d'un modèle ne rend pas un système d'IA open source, et que l'ouverture réelle exige également l'accès aux données d'entraînement, aux recettes et à la méthodologie. Cette distinction traverse un débat plus large dans l'industrie, dans lequel plusieurs grandes familles de modèles sont publiées en open weights alors que leurs données d'entraînement restent fermées.

Delta League teste une voie différente vers l'amélioration : des modifications vérifiées et collaboratives d'un modèle partagé, avec des résultats évalués sur des données que les participants ne peuvent pas voir. Le format fait écho à des compétitions établies d'apprentissage automatique telles que le Netflix Prize de 2009 et les concours de Kaggle, où des participants distribués amélioraient des benchmarks partagés. Jusqu'où cette approche peut améliorer des modèles plus grands reste à démontrer, et les premiers résultats sont modestes.