NEAR Protocol（$NEAR）聯合創辦人 Illia Polosukhin 推出了 Delta League，這是一項公開競賽，邀請任何人提交對開放人工智慧模型的改進。該平台由 Polosukhin（@ilblackdragon）宣布，並由 @near_ai 為 @NEARProtocol 生態系統提供支援。

Delta League 的運作方式

參與者提交對模型權重的編輯——即模型內部塑造其回答的數值。根據 Delta League 網站，參賽者可以提交 LoRA、稀疏或稠密權重差異，或完整 checkpoint，且每項變更都保留其模型譜系。LoRA——低秩適配——是一種緊湊的微調技術，只訓練模型參數中的一小部分，而非重新訓練整個模型。平台會驗證提交的權重，然後執行驗證和私有測試，讓參賽者可以將自己的分數與原始模型比較。

每項編輯都在隱藏測試集上評分，且每個經過驗證的版本保持開放，供他人在其基礎上繼續構建。保留測試資料是機器學習中標準的評估保護措施：它衡量模型在貢獻者從未見過的範例上的表現。這種結構讓貢獻者能夠在先前工作的基礎上擴展，而非從零開始，每項變更都記錄在其修改的模型上。

Qwen3.5 0.8B 上的首次測試

首次測試使用 Qwen3.5 0.8B，這是一個小型開放模型——0.8B 標籤指的是約 8 億個參數。迄今為止，五項經過驗證的編輯已將其分數從 18.6% 提升至 19%，即提升 0.4 個百分點。提升幅度不大，但顯示驗證流程在實際運行的模型上有效。

Qwen3.5 是阿里巴巴的一個開放權重模型家族。根據維基百科的 Qwen 條目，阿里巴巴於 2026 年 2 月發布了開放權重的 Qwen3.5。

接下來的發展

對模型設計修改以及企業自訂測試的支援將於近日推出。允許修改模型的架構，而不僅是其權重，將擴大競賽可接受的貢獻範圍。自訂測試則可讓企業根據自身任務衡量編輯效果。這些新增功能，以及基準分數的任何進一步變動，都是短期內值得關注的指標。

這次推出契合 Polosukhin 在開放且用戶自主 AI 方面更廣泛的工作。他是 2017 年論文「Attention Is All You Need」的共同作者，該論文提出了 Transformer 架構，據 Fast Company 報導，他現在領導 NEAR AI 的工作。在 Open Commons 摘要的播客訪談中，他主張僅發布模型權重並不能使 AI 系統成為開源，真正的開放還需要存取訓練資料、配方和方法論。這種區別貫穿更廣泛的產業辯論——多個領先的模型家族以開放權重發布，但其訓練資料仍保持封閉。

Delta League 測試了一條不同的改進路徑：對共享模型進行群眾外包、經過驗證的變更，結果在參賽者無法看到的資料上評分。這種形式類似於既有的機器學習競賽，如 2009 年的 Netflix Prize 和 Kaggle 的競賽，分散的參賽者在共享基準上進行改進。這種方法能在多大程度上提升更大的模型仍待驗證，而首批結果規模尚小。