Il co-fondatore di NEAR Protocol Illia Polosukhin ha lanciato Delta League, una piattaforma che trasforma il miglioramento dei modelli AI in un processo collaborativo e in crowdsourcing all'interno dell'ecosistema NEAR Protocol. Polosukhin ha annunciato l'iniziativa tramite il suo account @ilblackdragon. Invece di affidarsi a un unico team di sviluppo, la piattaforma consente a contributori esterni di proporre modifiche ai modelli AI, con ogni contributo valutato attraverso procedure di verifica e test privati.

Come Delta League valuta i miglioramenti dei modelli

I partecipanti possono presentare diversi tipi di modifiche ai modelli, tra cui file Low-Rank Adaptation (LoRA), differenze di pesi sparse o dense e checkpoint completi dei modelli. Questi contributi alterano i pesi numerici che determinano come un modello AI elabora le informazioni e genera le risposte.

Secondo il sito web di Delta League, la piattaforma verifica i pesi presentati prima di eseguire le procedure di validazione e i test privati. Ogni modifica riceve un punteggio basato su un test set nascosto, consentendo ai contributori di confrontarne le prestazioni con il modello originale senza mai accedere ai dati di valutazione. Mantenere nascosti questi dati impedisce che i contributi vengano calibrati direttamente sulle domande valutate, una debolezza nota quando i test set sono pubblicamente disponibili.

Il sistema conserva inoltre la discendenza di ogni versione di modello verificata. I contributori possono utilizzare miglioramenti già presentati come punto di partenza per ulteriori modifiche, e ogni nuova versione resta collegata al modello che modifica.

La prima competizione è incentrata su Qwen3.5 0.8B

La competizione inaugurale è costruita attorno a Qwen3.5 0.8B, un modello open relativamente piccolo della famiglia Qwen di Alibaba, con la designazione 0.8B che indica circa 0,8 miliardi di parametri. Finora cinque modifiche verificate hanno aumentato il punteggio riportato da 18,6% a 19%.

Sebbene il miglioramento sia contenuto, i risultati iniziali offrono una prima dimostrazione di come il processo di verifica e valutazione di Delta League funzioni su un modello attivo.

Modifiche all'architettura e test per le aziende nella roadmap

La prossima fase di sviluppo della piattaforma dovrebbe estendersi oltre le modifiche ai pesi dei modelli. Il supporto per modifiche all'architettura dei modelli è previsto nei prossimi giorni, consentendo potenzialmente ai partecipanti di proporre aggiustamenti più radicali alla struttura dei modelli.

Delta League prevede inoltre di introdurre capacità di test personalizzati per le aziende. Questi test consentirebbero alle aziende di valutare le modifiche presentate rispetto a compiti e requisiti specifici delle proprie operazioni.

L'aggiunta di modifiche a livello di architettura e di valutazioni definite dalle aziende potrebbe ampliare i tipi di contributi accettati dalla competizione. Tuttavia, entrambe le capacità sono state descritte come funzionalità in arrivo, non già disponibili al lancio.

La visione più ampia di Polosukhin per un'AI aperta

L'iniziativa riflette l'interesse più ampio di Polosukhin per un'intelligenza artificiale aperta e di proprietà degli utenti. Ha co-scritto il paper di ricerca del 2017 "Attention Is All You Need", che ha introdotto l'architettura Transformer alla base della maggior parte dei moderni modelli linguistici di grandi dimensioni, e oggi guida il lavoro presso NEAR AI, secondo Fast Company.

In un'intervista podcast riassunta da Open Commons, Polosukhin ha sostenuto che rendere pubblici i pesi dei modelli non è sufficiente per qualificare un sistema AI come open source. Ha inoltre sottolineato l'importanza dell'accesso ai dati di addestramento, alle procedure di training e alla metodologia di sviluppo.

Delta League mette in pratica questa filosofia trattando lo sviluppo dei modelli come un processo di miglioramento condiviso: i contributori presentano modifiche, le fanno valutare rispetto a dati privati e rendono disponibili le versioni verificate per ulteriore sviluppo.

Resta incerto se questo approccio in crowdsourcing possa portare miglioramenti significativi a modelli AI più grandi e complessi. I risultati iniziali su Qwen3.5 0.8B mostrano un guadagno misurabile ma modesto, mentre prestazioni più ampie dovranno essere dimostrate attraverso futuri contributi. Indicatori a breve termine includono l'arrivo del promesso supporto per la modifica dell'architettura e un eventuale ulteriore avanzamento del punteggio di Qwen3.5 0.8B oltre il 19%.

Fonte: BSC News