NEAR Protocol（$NEAR）联合创始人 Illia Polosukhin 推出了 Delta League，这是一项公开竞赛，邀请任何人提交对开放人工智能模型的改进。该平台由 Polosukhin（@ilblackdragon）宣布，并由 @near_ai 为 @NEARProtocol 生态系统提供支持。

Delta League 的运作方式

参与者提交对模型权重的编辑——权重是模型内部决定其回答的数值。根据 Delta League 网站的说明，参赛者可以提交 LoRA、稀疏或稠密权重差异，或完整检查点，且每次更改都会保留其模型谱系。LoRA——低秩适应——是一种紧凑的微调技术，只训练模型参数的一小部分，而不是重新训练整个模型。平台会验证所提交的权重，然后运行验证和私有测试，以便参赛者将自己的得分与原始模型进行比较。

每次编辑都在隐藏测试集上评分，每个经过验证的版本都保持开放，供其他人在其基础上继续构建。保留测试数据是机器学习中标准的安全评估手段：它在贡献者从未见过的样本上衡量性能。这种结构让贡献者可以在已有工作的基础上进行扩展，而不是从零开始，且每次更改都会记录在它所修改的模型上。

首次测试：Qwen3.5 0.8B

首次测试使用 Qwen3.5 0.8B，一个小型开放模型——0.8B 标签指约 8 亿参数。目前五次已验证的编辑已将其得分从 18.6% 提升至 19%，提高了 0.4 个百分点。增幅不大，但表明验证流程在一个实际运行的模型上有效。

Qwen3.5 是阿里巴巴的一系列开放权重模型。根据维基百科关于 Qwen 的条目，阿里巴巴于 2026 年 2 月发布了开放权重的 Qwen3.5。

接下来的计划

对更改模型设计的支持以及面向企业的自定义测试将在未来几天推出。允许更改模型的架构——而不仅仅是权重——将扩大竞赛可接受的贡献范围。自定义测试可以让企业根据自身任务来衡量编辑效果。这些新增功能以及基础得分的任何进一步变动，是近期值得关注的指标。

此次推出契合 Polosukhin 在开放和用户自有 AI 方面更广泛的工作。他是 2017 年论文《Attention Is All You Need》的共同作者，该论文提出了 Transformer 架构，据 Fast Company 报道，他现在领导 NEAR AI 的工作。在 Open Commons 总结的一次播客访谈中，他认为仅仅发布模型权重并不能使 AI 系统成为开源，真正的开放还需要对训练数据、配方和方法的访问。这一区别贯穿于更广泛的行业讨论中，多个领先的模型家族以开放权重发布，而其训练数据保持封闭。

Delta League 测试了一条不同的改进路径：对共享模型进行众包的、经验证的更改，结果在参赛者看不到的数据上评分。这一形式让人联想到 2009 年的 Netflix Prize 和 Kaggle 竞赛等成熟的机器学习竞赛，在这些竞赛中，分布式的参赛者在共享基准上不断改进。这种方法能在多大程度上提升更大的模型仍有待证明，而且首批结果规模很小。