#opg $OPG @OpenGradient Warum sollte man jeden einzelnen Validator zwingen, das komplette KI-Modell erneut auszuführen, wenn eine einzige saubere Ausführung plus ein Beweis doch ausreichen sollte? Das hat mich immer als den Kernfehler beeindruckt, den die meisten Ketten bei der Behandlung von Inferenz gemacht haben. So wird eine einmalige Berechnung in flächendeckenden Arbeitsaufwand im Netzwerk verwandelt, den niemand braucht. OpenGradient ist stattdessen mit einer Trennung von Validierungsberechnung vorgegangen: Inferenz-Node führen das Modell aus und geben das Ergebnis mit angehängtem Beweis zurück. Validator-Nodes auf der OPG-Chain überspringen die Modellarbeit vollständig.#OPG
Diese Trennung in OpenGradient hält die schwere Rechenarbeit von der Validierungsschicht fern. Die Validatoren verifizieren nur den Beweis, statt die Inferenz über den gesamten Knotensatz erneut auszuführen. So wird die verschwenderische Duplizierung gestoppt, die die Performance zerstört. Ohne Trennung endet es dabei, dass jeder Validator wie eine vollständige Inferenzmaschine handeln muss. Das skaliert nicht und macht aus Aufrufen langsame Prozesse. OpenGradients Ansatz erlaubt es den Inferenz-Nodes, das zu tun, wofür sie gebaut sind, während Validatoren effizient beim Prüfen der Belege bleiben.@OpenGradient
OpenGradient hat die Trennung praktisch gemacht, weil sie zur Art passt, wie echte Rechenarbeit funktioniert. Nicht jeder Node-Typ muss den teuren Schritt wiederholen, und er ist dennoch darauf angewiesen, dass der Beweis zuverlässig genug ist, ohne die Arbeit erneut auszuführen. Aber die Trennung entfernt eine klare Begrenzung hinsichtlich der Ausgaberate. Achte darauf, ob das Design tatsächlich verhindert, dass alle Validatoren die Inferenz replizieren müssen, oder ob es nur „Trennung“ behauptet, ohne die Art zu ändern, wie die Nodes arbeiten.@OpenGradient
$OPG