Il cofondatore di NEAR Protocol ($NEAR) Illia Polosukhin ha lanciato Delta League, una competizione pubblica che invita chiunque a presentare miglioramenti a un modello di intelligenza artificiale aperto. La piattaforma è stata annunciata da Polosukhin (@ilblackdragon) ed è alimentata da @near_ai per l'ecosistema @NEARProtocol.

Come funziona Delta League

I partecipanti presentano modifiche ai pesi di un modello — i numeri al suo interno che ne determinano le risposte. Secondo il sito web di Delta League, i concorrenti possono inviare una LoRA, una differenza di pesi sparsa o densa, oppure un checkpoint completo, e ogni modifica conserva la propria discendenza di modello. Le LoRA — low-rank adaptations — sono una tecnica di fine-tuning compatta che addestra solo una piccola parte dei parametri di un modello, anziché riaddestrarlo completamente. La piattaforma verifica i pesi inviati e poi esegue test di validazione e privati, così che i concorrenti possano confrontare i propri punteggi con quelli del modello originale.

Ogni modifica viene valutata su un test set nascosto, e ogni versione verificata resta aperta perché altri possano costruirci sopra. Trattenere i dati di test è una salvaguardia di valutazione standard nel machine learning: misura le prestazioni su esempi mai visti dal contributore. Questa struttura permette ai contributori di estendere il lavoro precedente anziché partire da zero, con ogni modifica registrata rispetto al modello che ha modificato.

Il primo test su Qwen3.5 0.8B

Il primo test utilizza Qwen3.5 0.8B, un piccolo modello aperto — l'etichetta 0.8B si riferisce a circa 800 milioni di parametri. Cinque modifiche verificate hanno finora portato il suo punteggio dal 18,6% al 19%, un guadagno di 0,4 punti percentuali. Il miglioramento è modesto, ma dimostra il processo di verifica funzionante su un modello in produzione.

Qwen3.5 è una famiglia di modelli open-weight di Alibaba. Secondo la voce di Wikipedia su Qwen, Alibaba ha rilasciato Qwen3.5 con pesi aperti a febbraio 2026.

Prossimi passi

Il supporto per la modifica dell'architettura dei modelli e test personalizzati per le aziende arriveranno nei prossimi giorni. Consentire modifiche all'architettura di un modello, e non solo ai suoi pesi, ampliamento la gamma di contributi che il concorso può accettare. I test personalizzati permetterebbero alle aziende di valutare le modifiche rispetto ai propri compiti. Queste aggiunte, ed eventuali ulteriori movimenti del punteggio di base, sono i indicatori da seguire a breve termine.

Il lancio si inserisce nel più ampio lavoro di Polosukhin su un AI aperto e di proprietà degli utenti. È coautore del paper del 2017 "Attention Is All You Need", che ha introdotto l'architettura Transformer, e oggi guida il lavoro presso NEAR AI, secondo Fast Company. In un'intervista podcast riassunta da Open Commons, ha sostenuto che il rilascio dei soli pesi del modello non rende un sistema AI open source, e che una reale apertura richiede anche l'accesso ai dati di addestramento, alle ricette e alla metodologia. Questa distinzione attraversa un più ampio dibattito di settore, in cui diverse famiglie di modelli leader vengono distribuite come open weight mentre i loro dati di addestramento restano chiusi.

Delta League testa una strada diversa verso il miglioramento: modifiche crowdsourced e verificate a un modello condiviso, con risultati valutati su dati che i concorrenti non possono vedere. Quanto questo approccio possa migliorare modelli più grandi resta da dimostrare, e i primi risultati sono piccoli.