NEAR Protocol ($NEAR)-medeoprichter Illia Polosukhin heeft Delta League gelanceerd, een openbare competitie die iedereen uitnodigt om verbeteringen in te dienen voor een open artificieel-intelligentiemodel. Het platform werd aangekondigd door Polosukhin (@ilblackdragon) en wordt aangedreven door @near_ai voor het @NEARProtocol-ecosysteem.

Hoe Delta League werkt

Deelnemers dienen aanpassingen in op de gewichten van een model — de getallen in het model die de antwoorden bepalen. Volgens de website van Delta League kunnen deelnemers een LoRA, een sparse of dense gewichtsverschil, of een volledig checkpoint indienen, en elke wijziging behoudt zijn modelafstamming. LoRA's — low-rank adaptations — zijn een compacte fine-tuningtechniek die slechts een klein deel van de parameters van een model traint, in plaats van het hele model opnieuw te trainen. Het platform verifieert de ingediende gewichten en voert vervolgens validatie- en privétests uit, zodat deelnemers hun scores kunnen vergelijken met die van het originele model.

Elke aanpassing wordt beoordeeld op een verborgen testset, en elke geverifieerde versie blijft openstaan voor anderen om op voort te bouwen. Het achterhouden van testdata is een standaard evaluatiebeveiliging in machine learning: het meet de prestaties op voorbeelden die de bijdrager nooit heeft gezien. Deze structuur zorgt ervoor dat bijdragers eerder werk kunnen uitbreiden in plaats van opnieuw te beginnen, waarbij elke wijziging wordt vastgelegd bij het model dat het heeft aangepast.

Eerste test op Qwen3.5 0.8B

De eerste test gebruikt Qwen3.5 0.8B, een klein open model — het label 0.8B verwijst naar ruwweg 800 miljoen parameters. Vijf geverifieerde aanpassingen hebben de score tot nu toe verhoogd van 18,6% naar 19%, een winst van 0,4 procentpunt. De vooruitgang is bescheiden, maar het toont aan dat het verificatieproces werkt op een live model.

Qwen3.5 is een familie van open-weight-modellen van Alibaba. Volgens het Wikipedia-artikel over Qwen bracht Alibaba de open-weights Qwen3.5 in februari 2026 uit.

Wat nu volgt

Ondersteuning voor het wijzigen van modelontwerpen en aangepaste testen voor bedrijven volgen de komende dagen. Het toestaan van wijzigingen in de architectuur van een model, en niet alleen in de gewichten, zou het scala aan bijdragen dat de competitie kan accepteren vergroten. Aangepaste testen zouden bedrijven in staat stellen aanpassingen te meten aan hun eigen taken. Die toevoegingen, en verdere beweging in de basisscore, zijn de markeringen om op korte termijn in de gaten te houden.

De lancering past in Polosukhin's bredere werk aan open en door gebruikers beheerde AI. Hij is mede-auteur van het artikel "Attention Is All You Need" uit 2017, dat de Transformer-architectuur introduceerde, en leidt nu het werk bij NEAR AI, volgens Fast Company. In een podcastinterview, samengevat door Open Commons, betoogde hij dat het vrijgeven van modelgewichten alleen een AI-systeem niet open source maakt, en dat echte openheid ook toegang tot trainingsdata, recepten en methodologie vereist. Dat onderscheid loopt door een bredere industriedebat, waarin verschillende toonaangevende modelfamilies als open weights verschijnen terwijl hun trainingsdata gesloten blijft.

Delta League test een andere route naar verbetering: gecrowdsourcete, geverifieerde wijzigingen aan een gedeeld model, waarbij resultaten worden beoordeeld op data die deelnemers niet kunnen zien. Het formaat weerklinkt gevestigde machinelearning-competities zoals de Netflix Prize van 2009 en Kaggle's wedstrijden, waar verspreide deelnemers verbeteringen bereikten op gedeelde benchmarks. Hoe ver die aanpak grotere modellen kan verbeteren, moet nog blijken, en de eerste resultaten zijn klein.