Illia Polosukhin, cofondateur de NEAR Protocol, a lancé Delta League, une plateforme qui transforme l'amélioration des modèles d'IA en un processus collaboratif et participatif au sein de l'écosystème NEAR Protocol. Polosukhin a annoncé l'initiative via son compte @ilblackdragon. Plutôt que de dépendre d'une équipe de développement unique, la plateforme permet à des contributeurs externes de proposer des modifications aux modèles d'IA, chaque soumission étant évaluée par des procédures de vérification et des tests privés.

Comment Delta League évalue les améliorations des modèles

Les participants peuvent soumettre plusieurs types de modifications de modèles, notamment des fichiers LoRA (Low-Rank Adaptation), des différences de poids éparses ou denses, et des checkpoints de modèles complets. Ces soumissions altèrent les poids numériques qui déterminent la façon dont un modèle d'IA traite l'information et génère des réponses.

Selon le site web de Delta League, la plateforme vérifie les poids soumis avant de lancer les procédures de validation et les tests privés. Chaque modification reçoit un score basé sur un jeu de test caché, permettant aux contributeurs de comparer ses performances au modèle d'origine sans jamais accéder aux données d'évaluation elles-mêmes. Le fait de garder ces données d'évaluation cachées empêche que les soumissions soient ajustées directement sur les questions notées, une faiblesse connue lorsque les jeux de test sont publiquement accessibles.

Le système conserve également la lignée de chaque version de modèle vérifiée. Les contributeurs peuvent utiliser des améliorations précédemment soumises comme point de départ pour d'autres modifications, et chaque nouvelle version reste liée au modèle qu'elle modifie.

La première compétition cible Qwen3.5 0.8B

La compétition inaugurale est construite autour de Qwen3.5 0.8B, un modèle ouvert relativement petit de la famille Qwen d'Alibaba, la désignation 0.8B indiquant environ 0,8 milliard de paramètres. Cinq modifications vérifiées ont à ce jour fait passer son score annoncé de 18,6 % à 19 %.

Bien que l'amélioration soit limitée, les premiers résultats offrent une démonstration précoce de la façon dont le processus de vérification et d'évaluation de Delta League fonctionne sur un modèle en activité.

Modifications d'architecture et tests pour les entreprises au programme

La prochaine phase de développement de la plateforme devrait s'étendre au-delà des modifications des poids des modèles. La prise en charge des changements d'architecture des modèles est prévue dans les jours à venir, permettant potentiellement aux participants de proposer des ajustements plus fondamentaux de la structure des modèles.

Delta League prévoit également d'introduire des capacités de tests personnalisés pour les entreprises. Ces tests permettraient aux sociétés d'évaluer les modifications soumises par rapport à des tâches et exigences spécifiques à leurs propres activités.

L'ajout de modifications au niveau de l'architecture et d'évaluations définies par les entreprises pourrait élargir les types de contributions acceptées par la compétition. Cependant, ces deux capacités ont été présentées comme des fonctionnalités à venir plutôt que comme des fonctions déjà disponibles au lancement.

La vision plus large de Polosukhin pour une IA ouverte

L'initiative reflète l'intérêt plus large de Polosukhin pour une intelligence artificielle ouverte et détenue par les utilisateurs. Il a co-écrit l'article de recherche de 2017 « Attention Is All You Need », qui a introduit l'architecture Transformer sur laquelle reposent la plupart des grands modèles de langage modernes, et dirige aujourd'hui les travaux de NEAR AI, selon Fast Company.

Dans une interview de podcast résumée par Open Commons, Polosukhin a soutenu que rendre les poids des modèles accessibles au public ne suffit pas pour qualifier un système d'IA d'open source. Il a également souligné l'importance de l'accès aux données d'entraînement, aux recettes d'entraînement et à la méthodologie de développement.

Delta League met cette philosophie en pratique en traitant le développement des modèles comme un processus d'amélioration partagé : les contributeurs soumettent des changements, les font évaluer sur des données privées et rendent les versions vérifiées disponibles pour un développement ultérieur.

On ne sait pas encore si cette approche participative peut apporter des améliorations significatives aux modèles d'IA plus vastes et plus complexes. Les premiers résultats de Qwen3.5 0.8B montrent un gain mesurable mais modeste, et des performances plus larges devront être démontrées par de futures soumissions. Les indicateurs à court terme incluent l'arrivée de la prise en charge promise de l'édition d'architecture et toute nouvelle progression du score de Qwen3.5 0.8B au-delà de 19 %.

Source : BSC News