NEAR Protocol ($NEAR) współzałożyciel Illia Polosukhin uruchomił Delta League — publiczny konkurs, do którego każdy może przystąpić, zgłaszając ulepszenia otwartego modelu sztucznej inteligencji. Platforma została ogłoszona przez Polosukhina (@ilblackdragon) i jest napędzana przez @near_ai w ekosystemie @NEARProtocol.

Jak działa Delta League

Uczestnicy przesyłają edycje wag modelu — liczb wewnątrz modelu, które kształtują jego odpowiedzi. Zgodnie ze stroną Delta League zgłaszający mogą przesłać LoRA, różnicę wag rzadką lub gęstą albo pełny checkpoint, a każda zmiana zachowuje rodowód modelu. LoRA — adaptacje niskorzędowe — to kompaktowa technika dostrajania, która trenuje jedynie niewielką część parametrów modelu, zamiast przetrwać cały model. Platforma weryfikuje przesłane wagi, a następnie przeprowadza walidację i prywatne testy, dzięki którym uczestnicy mogą porównać swoje wyniki z modelem oryginalnym.

Każda edycja jest oceniana na ukrytym zestawie testowym, a każda zweryfikowana wersja pozostaje otwarta dla innych do dalszego rozwoju. Ukrywanie danych testowych to standardowe zabezpieczenie ewaluacyjne w uczeniu maszynowym: mierzy wydajność na przykładach, których autor nigdy nie widział. Taka struktura pozwala współtwórcom rozwijać wcześniejszą pracę, zamiast zaczynać od zera, a każda zmiana jest rejestrowana względem modelu, który zmodyfikowała.

Pierwszy test na Qwen3.5 0.8B

Pierwszy test wykorzystuje Qwen3.5 0.8B — mały otwarty model; oznaczenie 0.8B odnosi się do około 800 milionów parametrów. Pięć zweryfikowanych edycji podniosło dotąd jego wynik z 18,6% do 19%, czyli wzrost o 0,4 punktu procentowego. Zysk jest skromny, ale pokazuje, że proces weryfikacji działa na żywym modelu.

Qwen3.5 to rodzina modeli o otwartych wagach od Alibaba. Zgodnie z wpisem na Wikipedii o Qwen, Alibaba wypuściła Qwen3.5 o otwartych wagach w lutym 2026 roku.

Co dalej

W najbliższych dniach pojawi się wsparcie dla zmian w projekcie modelu oraz niestandardowych testów dla firm. Umożliwienie zmian w architekturze modelu, a nie tylko w jego wagach, poszerzy zakres przyjmowanych wkładów. Niestandardowe testy pozwolą firmom mierzyć edycje względem własnych zadań. Te dodatki oraz ewentualny dalszy wzrost wyniku bazowego to bliskoterminowe wskaźniki warte obserwacji.

Uruchomienie platformy wpisuje się w szerszą działalność Polosukhina na rzecz otwartej i należącej do użytkowników AI. Jest współautorem artykułu z 2017 roku "Attention Is All You Need", który wprowadził architekturę Transformer, a obecnie kieruje pracami w NEAR AI, według Fast Company. W wywiadzie podkastowym podsumowanym przez Open Commons argumentował, że samo udostępnienie wag modelu nie czyni systemu AI open source, a prawdziwa otwartość wymaga także dostępu do danych treningowych, receptur i metodologii. Ten rozróżnienie przewija się w szerszej debacie branżowej, w której kilka wiodących rodzin modeli jest dystrybuowanych jako otwarte wagi, przy zamkniętych danych treningowych.

Delta League testuje inną drogę ulepszania: crowdsourcingowe, weryfikowane zmiany we współdzielonym modelu, z wynikami ocenianymi na danych, których uczestnicy nie widzą. Format nawiązuje do ugruntowanych konkursów uczenia maszynowego, takich jak Netflix Prize z 2009 roku i konkursy Kaggle, gdzie rozproszeni uczestnicy ulepszali wspólne benchmarki. Jak bardzo to podejście może podnieść wyniki większych modeli, pozostaje do pokazania, a pierwsze wyniki są niewielkie.