NEAR Protocol-medeoprichter Illia Polosukhin heeft Delta League gelanceerd, een platform dat het verbeteren van AI-modellen omvormt tot een collaboratief, gecrowdsourcet proces binnen het NEAR Protocol-ecosysteem. Polosukhin kondigde het initiatief aan via zijn @ilblackdragon-account. In plaats van afhankelijk te zijn van één ontwikkelaarsteam stelt het platform externe bijdragers in staat om wijzigingen aan AI-modellen voor te stellen, waarbij elke inzending wordt beoordeeld via verificatieprocedures en privétests.

Hoe Delta League modelverbeteringen evalueert

Deelnemers kunnen verschillende soorten modelaanpassingen indienen, waaronder Low-Rank Adaptation (LoRA)-bestanden, sparse of dense gewichtsverschillen en volledige modelcheckpoints. Deze inzendingen wijzigen de numerieke gewichten die bepalen hoe een AI-model informatie verwerkt en antwoorden genereert.

Volgens de website van Delta League verifieert het platform de ingediende gewichten voordat validatieprocedures en privétests worden uitgevoerd. Elke aanpassing krijgt een score op basis van een verborgen testset, waardoor bijdragers de prestaties kunnen vergelijken met het originele model zonder ooit toegang te krijgen tot de evaluatiedata zelf. Het verborgen houden van die evaluatiedata voorkomt dat inzendingen direct worden afgestemd op de vragen die worden beoordeeld, een bekende zwakte wanneer testsets publiek beschikbaar zijn.

Het systeem bewaart ook de afstamming van elke geverifieerde modelversie. Bijdragers kunnen eerder ingediende verbeteringen gebruiken als startpunt voor verdere aanpassingen, en elke nieuwe versie blijft gekoppeld aan het model dat hij wijzigt.

Eerste competitie gericht op Qwen3.5 0.8B

De eerste competitie is gebouwd rond Qwen3.5 0.8B, een relatief klein open model uit de Qwen-familie van Alibaba, waarbij de aanduiding 0.8B staat voor circa 0,8 miljard parameters. Vijf geverifieerde aanpassingen hebben de gerapporteerde score tot nu toe verhoogd van 18,6% naar 19%.

Hoewel de verbetering beperkt is, bieden de eerste resultaten een vroege demonstratie van hoe Delta League's verificatie- en evaluatieproces presteert op een actief model.

Architectuuraanpassingen en zakelijke tests op de roadmap

Van de volgende ontwikkelingsfase van het platform wordt verwacht dat deze verder gaat dan aanpassingen aan modelgewichten. Ondersteuning voor wijzigingen in de modelarchitectuur staat gepland voor de komende dagen, waardoor deelnemers mogelijk meer fundamentele aanpassingen kunnen voorstellen aan de manier waarop modellen zijn opgebouwd.

Delta League is ook van plan aangepaste testmogelijkheden voor bedrijven te introduceren. Met deze tests kunnen bedrijven ingediende aanpassingen evalueren tegen taken en eisen die specifiek zijn voor hun eigen activiteiten.

Het toevoegen van aanpassingen op architectuurniveau en door bedrijven gedefinieerde evaluaties could het scala aan bijdragen dat door de competitie wordt geaccepteerd vergroten. Beide mogelijkheden werden echter beschreven als toekomstige functies en niet als functionaliteit die al beschikbaar is bij de lancering.

Polosukhins bredere visie op open AI

Het initiatief weerspiegelt Polosukhins bredere belangstelling voor open en door gebruikers bezeten kunstmatige intelligentie. Hij was mede-auteur van het onderzoeksbericht uit 2017 "Attention Is All You Need", dat de Transformer-architectuur introduceerde waarop de meeste moderne grote taalmodellen zijn gebaseerd, en leidt nu het werk bij NEAR AI, aldus Fast Company.

In een podcastinterview, samengevat door Open Commons, betoogde Polosukhin dat het publiek beschikbaar stellen van modelgewichten niet voldoende is om een AI-systeem als open source te kwalificeren. Hij benadrukte ook het belang van toegang tot trainingsdata, trainingsrecepten en ontwikkelmethodologie.

Delta League zet die filosofie in de praktijk door modelontwikkeling te behandelen als een gedeeld verbeterproces: bijdragen dienen wijzigingen in, laten ze evalueren tegen privédatta en stellen geverifieerde versies beschikbaar voor verdere ontwikkeling.

Of deze gecrowdsourcete aanpak betekenisvolle verbeteringen kan opleveren voor grotere en complexere AI-modellen blijft onzeker. De eerste resultaten van Qwen3.5 0.8B tonen een meetbare maar bescheiden winst, terwijl bredere prestaties nog moeten worden aangetoond via toekomstige inzendingen. Nabijgelegen mijlpalen omvatten de komst van de beloofde ondersteuning voor het bewerken van de architectuur en verdere stijging van de Qwen3.5 0.8B-score voorbij 19%.

Bron: BSC News