尘缘一斩缘

手里拿着 NEWT 在看 Newton Protocol 的声誉系统，越看越觉得有个绕不开的问题。

它的逻辑其实不复杂：

AI 代理发布到 Model Registry → 用户调用 → 根据历史表现积累声誉 → 声誉越高越容易获得更多调用 → 开发者赚更多 $NEWT 。

听起来是一个很标准的“市场化筛选机制”。

但问题也很直接。

第一批用户凭什么去用一个“声誉为 0”的代理？

没有历史数据，就没有声誉；没有声誉，就没人敢用；没人用，就永远不会有数据。

这是一个典型的冷启动死循环。

几乎所有“开放市场型系统”都会遇到这个问题，Newton 也不例外。

但我目前没看到它在机制层面有特别明确的破局方案。

现在唯一能看到的“可运行样本”，其实是官方自己的 Recurring Buy 代理。

问题在于，这种官方内置代理并不能真正验证“第三方生态 + 声誉系统”是否能自发运转。

因为它不需要竞争，也不需要从零获取用户信任。

真正的关键其实是：

当第一批第三方开发者把代理挂上去之后，有没有用户愿意在“没有任何历史记录”的情况下，用真实资金去尝试。

而不是等别人先试错。

这个阶段才是真正决定声誉系统能不能转起来的地方。

在那之前，这套机制更像是设计成立，但还没进入真实博弈的模型。
@NewtonProtocol #newt $NEWT

Три года назад, когда я только-только вошёл в эту сферу, я сам от руки переписывал мнемонику, а в итоге обнаружил, что в двух словах ошибся только после того, как всё уже было готово.

Тогда в кошельке ещё было больше двух тысяч долларов. Первая мысль была такая: скорее всего, эти деньги уже не вернуть.

Я полчаса просто смотрел в экран и впадал в ступор, а потом, надеясь на удачу, снова и снова перепроверял. И только в итоге смог восстановить кошелёк.

Это событие реально бросило меня в холодный пот, и впервые я понял одну вещь: в ончейне любая ошибка в самом базовом — обходится по-настоящему, «вживую».

Недавно я смотрел на Newton Protocol — они хотят сделать одну вещь: снизить такие «операционные пороги».

Они используют встроенное кошелёк-решение от Magic Labs, больше не нужно вручную переписывать мнемоническую фразу или полагаться на плагины для браузера.

Пользователи могут подключаться к существующему кошельку напрямую или же работать с встроенным кошельком, чтобы быстрее разобраться.

А права AI-агента управляются через умные аккаунты по ERC-4337 — при этом приватный ключ никому передавать не нужно.

Если очень просто: снизить порог входа, но не отдавать контроль.

Правда, у меня есть некоторые сомнения.

Встроенный кошелёк по своей сути — это другой подход к безопасности по сравнению с традиционными self-custody-кошельками; он скорее про «приоритет удобства», то есть про абстракцию аккаунта.

Проблема в том, что если возникнет риск — это будет ошибка пользователя, проблема на уровне кошелька или проблема протокола?

Границы ответственности не до конца ясны.

По сути, это всё равно вопрос компромисса:

С одной стороны — более низкий порог использования, с другой — более сложная структура доверия на нижнем уровне.

Для меня ключ в такой конструкции не в том, «есть ли мнемоника», а в том, на каком именно уровне окажется контроль».@NewtonProtocol #newt $NEWT

В прошлом году один мой знакомый напрямую отдал приватный ключ от кошелька человеку, который «управлял за деньги» (т.е. делал сделки вместо него), договорившись, что тот будет работать всего месяц.

Но вскоре после этого он перевёл все активы из кошелька, которые можно было перевести.

Позже, оглядываясь назад, стало ясно: на самом деле не было никаких технических способов помочь ему вернуть средства, и также не было чёткой цепочки доказательств.

После той истории у меня сложилось очень прямое понимание одной вещи: как только приватный ключ отдаёшь, границ больше не существует.

Недавно, рассматривая дизайн Newton Protocol, я увидел, что он решает другую проблему, исходя из иной логики.

Он не заставляет AI-агента напрямую контактировать с вашим приватным ключом, а использует контроль прав через смарт-аккаунт по стандарту ERC-4337.

Проще говоря: вы больше не «передаёте кошелёк другому человеку», а «задаёте кошельку правила».

Например, можно ограничить:
— только разрешить покупки определённого актива в заданном ценовом диапазоне
— разрешать только определённый тип операций
— любые другие действия не смогут сработать

AI-агент действует только в пределах этих правил; всё, что выходит за них, напрямую блокируется смарт-контрактом.

Приватный ключ всё время остаётся у пользователя.

Логически это полностью другая модель авторизации, а не «передача кошелька».

Но здесь есть и реальная проблема.

Все правила в итоге записываются в смарт-контракте аккаунта.

То есть сама граница превращается в код.

Тогда вопрос приобретает другую форму:

— Есть ли у кода уязвимости?
— Безопасен ли контракт?
— Не обходится ли логика границ?

Даже если провести аудит, он может лишь снизить риск, но не устранить его полностью.

Поэтому моё мнение такое:

дизайн уровня Newton действительно на порядок безопаснее, чем «отдавать приватный ключ человеку», но он не уничтожает риск — он просто переносит риск с «людей» на «код».

В ончейн-мире не существует абсолютной безопасности — есть только изменение формы риска.

@NewtonProtocol #newt $NEWT

Некоторое время назад я попал в неприятную ситуацию.

Я внес токены в качестве стейкинга в один протокол, а спустя два месяца обнаружил, что так называемые «валидаторы» — их всего три-четыре, и в основном они контролируются самой командой проекта.

Тогда в маркетинговых материалах говорили о децентрализации, но по факту это ощущается скорее так: название распределённое, а власть централизована.

После той истории я стал гораздо осторожнее относиться к подобным схемам «управление + валидация».

Недавно я посмотрел на стейкинг в Newton Protocol — там подход немного другой.

Логика такая: пользователь стейкит $NEWT , а право валидации делегируется валидаторам; именно они проверяют каждый шаг выполнения AI-агента на соответствие правилам полномочий, которые задал пользователь.

Результаты валидации будут записываться в блокчейн, а валидаторы также получат награды от протокола.

Если совсем просто, то суть в том, кто надзирает за выполнением агента: это не сам проект решает, а группа третьих лиц с экономическими ограничениями.

В этом смысле модель, которую я раньше видел — с «номинальными валидаторами», — выглядит более поверхностной.

Но проблема всё ещё есть.

На данный момент набор валидаторов в Newton по-прежнему в значительной степени контролируется фондом, по сути он ещё не полностью открыт.

В дорожной карте заявлено, что нужно постепенно подключать сторонних валидаторов, чтобы добиться настоящей децентрализации.

Так что ключ не в самом дизайне, а в переходном процессе:

сможет ли эта система валидации из «системы под контролем фонда» стать действительно «системой, в которой внешние участники могут конкурировать».

Если этот этап сделать плохо, то так называемый распределённый надзор может оказаться просто более красиво упакованной централизацией.
@NewtonProtocol #newt $NEWT

去年试过把一个网格交易机器人接到自己钱包授权，半夜它判断失误连续买跌，醒来一看仓位已经面目全非，最气的是事后翻交易记录，根本看不清当时是按什么逻辑下的单，只能干瞪眼。
翻了下Newton Protocol的设计，它想解决的正是这个问题。用户通过zkPermissions给AI代理设权限边界，比如只能在特定波动区间内交易，代理的每一步操作要过TEE和零知识证明验证，理论上既能放权自动化，又能把代理框在你划的线里，出了事链上记录可查。
我的疑虑是，权限边界设得再细，也防不住"在边界内做出错误判断"这件事，这跟边界本身设计得严不严是两回事。Newton Mainnet Beta刚跑起来，这套约束在真实极端行情下顶不顶用，还得看实盘数据。
@NewtonProtocol #newt $NEWT

算了一下，从HACA架构到今天这条，写OPG差不多写了快两周，账户里这笔积分加起来也没换回多少钱，倒是把这个项目的文档翻了个底朝天，比看自己持仓还认真。回头看一遍这些帖子，发现自己其实一直在问同一个问题，只是换了十几种问法。
HACA把算模型和验证模型拆开，我问的是底层硬件信任谁来保证；验证模式分ZKML和TEE几档，我问的是开发者会不会图省事全选最弱那档；Model Hub用押金防刷号，我问的是押金门槛会不会跟着币价一起塌；质押罚没机制，我问的是判罚标准细不细；代币解锁节奏，我问的是抛压拉长不等于消失；治理权，我问的是会不会变成大户说了算；推理结算绑证明，我问的是200万次里有没有藏着没被发现的异常；AI接进智能合约，我问的是幻觉比预言机延迟更难防。
这些问题拼起来其实是一句话：OpenGradient想做的事是对的，"可验证AI"这个方向解决的是真问题，不是蹭叙事。但它现在做到的，是"流程可以被验证"，不是"结果一定可靠"。证明能告诉你用了哪个模型、谁批准的、钱怎么流的，证明告诉不了你这个模型本身靠不靠谱、判断对不对。这中间那道缝，目前没有任何机制能填上，靠的还是时间和真实出过的事故去验证。
机构背书是a16z和Coinbase Ventures，团队是Two Sigma和Palantir出身，这些东西能挡住团队跑路的风险，挡不住技术路线本身走不通的风险。两件事经常被混着夸，我自己也犯过这个错。
写了这么多疑虑，不是想唱衰，是觉得一个项目经不经得起反复盘问，恰恰是它值不值得花时间的标准。OPG目前经得起问，这点我认。至于答案，得交给接下来真实跑出来的数据，不是我这几篇帖子能下定论的。
这个系列先写到这儿，谢谢这段时间看下来的人。
@OpenGradient #opg $OPG

上周盯着某个DeFi协议的清算合约看了半小时，看到最后头皮发麻。合约逻辑本身没问题，问题是它调用的价格预言机在极端行情下有过喂价延迟，就那几秒钟的窗口，历史上有人被错误清算过，钱没了，链上记录清清楚楚，申诉无门。
翻OPG文档发现它有一套链上AI SDK，让开发者能把AI推理结果直接嵌进智能合约或者代理工作流里。具体路径是：开发者通过SDK注册或调用Model Hub上的模型，推理请求被路由到节点执行，结果和证明一起返回，验证通过之后AI的输出才能被合约读取并执行后续逻辑。理论上，以前只会按死规则执行的智能合约，现在能接上一个会思考的AI判断层。
这个方向想解决的是：传统智能合约太"笨"，遇到复杂的市场判断只能靠预设参数，而预设参数在极端行情下经常失灵。把可验证的AI推理接进来，合约理论上能做更动态的决策。
但我看到这里反而更不安了。预言机喂价延迟已经能造成错误清算，那AI推理层如果在某个边缘参数下产生幻觉，直接触发合约执行，速度和规模会是另一个量级的灾难。而且AI的"逻辑幻觉"比预言机延迟更难被事前发现——延迟是时间问题，幻觉是概率问题，你不知道它什么时候会出现。
可验证推理至少解决了"用的哪个模型、输入是什么"这个审计问题，出了事查得到。但查得到和防得住是两码事。在这套AI+合约的组合经历过真实极端行情压力测试之前，我不会把需要自动执行的资产操作交给它，看着用可以，托管不行。
@OpenGradient #opg $OPG

前年跟着一个Telegram群冲了个"社区自发"的DeFi项目，对方主打"无VC、无机构、纯社区"，我当时觉得这才是去中心化精神，进了三千U。两个月后团队跑路，群直接解散，链上合约代码事后才有人翻出来发现早就埋了后门。那三千U到现在一分没回来。从那以后看项目第一件事反而变成了先查有没有知名机构背过。
翻OPG的融资背景，a16z crypto和Coinbase Ventures领投，融了950万美元。团队出身也查得到：CEO之前在Two Sigma做过研究工程师，CTO是Palantir AI平台的前技术负责人，还有来自NASA和Google的成员。这些名字放在一起，项目突然跑路的概率跟那种Telegram社区盘不在同一个量级。
这不是说有机构背就一定没问题，但机构在早期押注是有代价的——a16z和Coinbase Ventures的尽调不是走形式，他们压错了是真的要承担声誉损失的。对散户来说，这份背书至少把"团队消失跑路"这个风险从很高压到了相对低的位置。
我的疑虑是，机构背书解决的是"跑路风险"，解决不了"做不成"的风险。技术路线走得通、开发者真的愿意接入、推理需求能不能起量，这些问题a16z投没投都得自己看。而且950万美元的融资规模在AI基础设施赛道里不算大，后续还需不需要继续融、能不能融到，目前也是问号。
有硬背书的团队比黑盒社区盘安全得多，这一点我被坑过之后看得比较清楚。但安全不等于一定能涨，这两件事不要混着想。
@OpenGradient #opg $OPG

В прошлом году я вывел сумму USDC с Arbitrum на Base через какой-то не очень известный мост. Ждал сорок минут — транзакция не приходит, обновлял страницу десятки раз. Начал думать, что деньги пропали — от страха просто подкашивались ноги. В итоге всё дошло, но те сорок минут я везде проверял и так и не понял, на каком именно этапе застряли активы. Там полная непрозрачность — просто ждёшь. Потом друг рассказал, что он отправлял через другой мост сразу 2000 U — и до сих пор нет никаких признаков, что всё ушло. Так что мне, видимо, повезло.
Я прочитал техническую документацию по OPG и нашёл, что их кроссчейн-часть сделана на LayerZero. Токен OPG сам развернут в сети Base как основная расчетная цепочка, но когда нужно подключаться к другим экосистемам, кроссчейн-канал идёт по протоколу LayerZero. Механизм LayerZero отличается от обычных мостов активов: там не блокируют токены с одной стороны и не чеканят новые с другой. Вместо этого используется передача кроссчейн-сообщений — контракты на обоих концах напрямую общаются и проверяют друг друга, а подтверждение состояния активов не зависит от одного-единственного посредника-узла.
Логика выбора этой схемы, вероятно, такая: сети OPG нужен AI-вывод для кроссчейн-расчётов, поэтому к надёжности передачи сообщений требования выше, чем в обычных переводах. Обычного моста активов может быть достаточно, но если выйдет из строя именно message bridge, цена задержки будет не единственной — может сорваться весь процесс выводов и расчётов.
Мои сомнения в том, что сам по себе LayerZero тоже не безрисковый. В истории были случаи атак на оракулы и ретрансляторы. OPG выбирает его как относительно мейнстримное решение в текущих кроссчейн-опциях, но «относительно надёжный» не значит «абсолютно без проблем». Если в кроссчейне что-то пойдёт не так, пострадает не только перевод: может прерваться вся цепочка расчётов в проверяемом AI-выводе. Пока я не вижу у OPG дополнительных объяснений про резервные варианты на этот случай.
Выбор LayerZero для кроссчейна выглядит как разумное инженерное решение, но кроссчейн всегда остаётся самой уязвимой частью всей системы. За это стоит следить постоянно, а не считать, что всё по умолчанию работает без проблем.
@OpenGradient #opg $OPG

В прошлом месяце я прошёл(прошла) медосмотр: на руках оказалось много показателей. Врач сказал: «В целом всё нормально», но я сам(а) на эти цифры смотрю и вообще не понимаю, какие из них как связаны друг с другом. Потом я потратил(а) больше ста юаней на «AI-анализ» в одном приложении для здоровья — мне выдали четырёхстраничный отчёт, написанный очень убедительно, но я не знал(а), на чьих данных этот модель обучали, есть ли у неё медицинские основания. В итоге отпечатанный отчёт остался просто психологическим успокоением: я даже не решился(лась) по рекомендациям вносить изменения в рацион. Заплатил(а), и в итоге всё равно лучше бы не смотрел(а).
Потом, изучая линейку продуктов OPG, я обнаружил(ла) кое-что под названием Digital Twin. Если перевести дословно, это «цифровой двойник». Если коротко, речь о создании устойчиво обновляемого AI-зеркала реального человека или актива. Процесс рассуждений этого «зеркала» проходит через верифицируемую рамочную модель OpenGradient: каждый вывод сопровождается ончейн-доказательством, позволяющим отследить, какую именно модель использовали и какие данные подали на вход. Отличие от того приложения для здоровья в том, что оно даёт вам готовый вывод, а Digital Twin, теоретически, даёт ещё и проверяемый процесс рассуждений.
Это направление пытается решить проблему доверия к результатам AI-анализа — особенно в сферах вроде медицины и финансов, где цена ошибки очень высока. Вопрос «как получен этот вывод» важнее, чем сам вывод.
Моё сомнение в том, что концепция «цифрового двойника» сама по себе довольно большая. В публичной информации OPG по Digital Twin пока не так много конкретных деталей реализации: непонятно, это уже реально работающий продукт или пока больше этап концепции. Кроме того, «создание постоянно обновляемого личного зеркала»: откуда берутся данные, кто их поддерживает и обновляет, где проходят границы приватности — это вопросы, которые сложнее, чем для BitQuant или MemSync. Я не увидел(ла) достаточно подробных разъяснений.
Направление, безусловно, верное: в сценариях, где нужен долгосрочный мониторинг, для AI с проверяемостью действительно есть реальный спрос. Но пока не будет заполнено больше деталей в документации, я не готов(а) считать это уже полностью запущенным продуктом — скорее похоже на направление, которое всё ещё находится в стадии внедрения.
@OpenGradient #opg $OPG

В марте этого года в одном Telegram-группе купил право использования торгового «кванторобота» за 580 юаней. Продавец сказал, что по бэктесту годовая доходность 40%. В реальном режиме робот отработал два месяца и ушёл в минус на 1200. С учётом цены права использования всего потерял почти две тысячи. Самое обидное не то, что я потерял деньги, а то, что я так и не знаю, какая именно модель и логика стратегии там используются, а также настоящие ли исторические сигналы, на которых всё это якобы прогонялось. Получилось полное «чёрное поле»: разогнался — и за убытки спросить не с кого.
Затем я обнаружил в линейке продуктов OPG что-то под названием BitQuant. Его позиционирование — он работает как ончейн AI-аналитический агент в сети OpenGradient. Отличие от обычных инструментов квант-анализа в том, что вывод (инференс) идёт через OPG-фреймворк верифицируемого инференса. То есть при генерации каждого аналитического сигнала теоретически можно отследить, какой именно моделью вызывали, какие данные подали, и валидна ли сама верификация. Речь не про «у нас алгоритм очень крутой», а про то, что сам инференс фиксируется on-chain — и это можно проверить.
Эта задача лично мне знакома по опыту. «Чёрный ящик» в квант-инструментах — это не просто вопрос доверия. Это то, что после реального убытка уже невозможно проверить: стратегия была плохой, данные подали неправильно или кому-то удалось подправить сигналы — три варианта полностью не отличимы друг от друга. А верифицируемый инференс хотя бы даёт точку входа для послепроверки.
Моё сомнение в том, что «инференс можно верифицировать» и «сама стратегия правильная» — это разные вещи. Даже если on-chain доказывает, что на этот раз инференс действительно запускался с указанной моделью и указанными данными, но если сама модель плохая, а бэктестовые данные тщательно отобраны, то доказательство говорит лишь о том, что «это действительно было запущено», но не о том, «оно сработало правильно». Мой робот, который «сжёг» мне две тысячи, если бы тоже предоставил on-chain-продолжение, мог бы принести такой же минус — просто с дополнительной квитанцией.
Делать ончейн-инференс верифицируемым — это шаг вперёд: по крайней мере, решается самый базовый вопрос «какую именно модель используют». Но прежде чем принимать решения с помощью этого инструмента, логику стратегии всё равно нужно самим внимательно понимать — нельзя пропускать проверку стратегии, только потому что «есть доказательство».
@OpenGradient #opg $OPG

На прошлой неделе с помощью ИИ анализировал один проект — только чтобы он разобрался с шагом «моя история владения активами», ушло почти двадцать минут. То, что я в прошлом месяце говорил другому инструменту ИИ, на этот раз вообще не пригодилось: пришлось объяснять всё заново с нуля. Позавчера я сменил инструмент, и снова тот же процесс, те же исходные данные. На третьей итерации меня уже начало раздражать само это повторение. Я прикинул: за полгода только чтобы «познакомить ИИ со мной» — суммарно повторяющегося текста, наверное, больше десяти тысяч слов.
Изучил линейку продуктов OPG и нашёл штуку под названием MemSync — она как раз про это. Её позиционирование: единый AI-слой памяти между приложениями. Контекст, который вы генерируете во взаимодействии с ИИ в одном приложении, теоретически можно вызывать из других приложений, подключённых к этой системе, чтобы каждый раз при смене инструмента не приходилось с нуля представляться. OpenGradient относит MemSync к части матрицы своих продуктов — наравне с Model Hub и BitQuant. На нижнем уровне хранилище памяти реализовано через децентрализованный путь, а не через чью-то собственную закрытую базу данных одного конкретного платформенного сервиса.
Направление решает действительно реальные проблемы: одна из главных «точек трения» у AI-инструментов сейчас — это «непересекающаяся/необщая память». Каждая платформа хочет удерживать пользовательские данные у себя, и тогда совместный обмен памятью между платформами превращается в роскошь.
Мои сомнения в двух вещах. Во‑первых, готов ли я размещать свои данные об использовании в цепочке — это ведь не одно и то же, что «шифрование чата, и оператор не видит»; в документах на данный момент я не увидел достаточно подробных объяснений о том, где именно хранятся данные памяти, кто может к ним обращаться, и как их удалить. Во‑вторых, достаточно ли много подключённых приложений: если слой памяти использует лишь несколько собственных продуктов OPG, ценность между приложениями будет сильно ограничена — нужно дождаться, пока реальные сторонние разработчики действительно подключатся и всё начнёт работать полноценно.
Сам запрос по себе — настоящая боль, и логика верная. Но для меня лично — прежде чем я разберусь, «где находятся мои данные памяти и кто может ими управлять», я не спешу это внедрять.
@OpenGradient #opg $OPG

На прошлой неделе я с помощью одного ончейн-инструмента DeFi сделал для друга оценку риска активов. Результат уже был готов, но я вообще не знал, кем обучена эта модель, какие данные в неё подаёт, и не было ли у этого вывода «ручной правки». В итоге я всё равно не решился выполнить рекомендации. Денег не потерял, но потратил два часа на выяснение деталей — и в итоге так и не смог разобраться.
Перечитав документацию OPG, я понял, что она пытается решить именно проблему «результат есть, но непонятен процесс». И делает это через способ расчёта, завязанный на движение средств. Конкретный путь расчётов такой: пользователь инициирует запрос на AI-вывод, OPG оплачивает стоимость; запрос маршрутизируется на узел вывода, который запускает модель, генерирует результат и доказательство; в блокчейне проверяют, что это доказательство действительно, и только после этого расчёт завершается — и OPG реально перечисляет деньги узлу. Во всём процессе «доказательство действительно» является предпосылкой оплаты, а не постфактум-аудитом: оно в реальном времени «застревает» именно на этапе расчёта. Сейчас сеть уже обработала более 2 млн проверяемых выводов, и каждый раз всё проходит по этой схеме.
Логика дизайна такая: если каждый платёж привязан к проверяемому доказательству, то прямые издержки для узла, который попытается схитрить, — это просто не получить эти деньги, а не то, что его потом обнаружат и накажут постфактум. Сами экономические стимулы выступают ограничителем.
Моё сомнение: в нормальных условиях эта схема расчётов выглядит логически непротиворечивой, но появлялись ли среди этих 2 млн случаев, когда доказательство проходило, расчёт завершался, а реальный результат вывода был неверным? Эти аномальные данные не публиковались. Записи о расчётах в блокчейне прозрачны, но насколько надёжно само качество доказательств — это всё равно нужно подтверждать долгосрочными данными, а не тем, что «обработано 2 млн раз» как общая цифра.
Подход «каждый расчёт по выводу привязан к доказательству» мне кажется более основательным, чем «пусть узлы сами будут честными». Но насколько эта цепочка в итоге окажется надёжной — я склоняюсь подождать ещё некоторое время и посмотреть, не всплывёт ли каких-то аномальных кейсов, прежде чем делать окончательный вывод.
@OpenGradient #opg $OPG

Прошлым годом я с друзьями в складчину сделали один финансовый шаблон для Excel, загрузили на платный платформенный сервис и продавали — изначально думали, что сможем “отбить” затраты. Но оказалось, что за этот год с лишним люди скачивали его снова и снова. В итоге вместе набежало примерно 6000 юаней, при этом я почти больше не открывал и не трогал этот файл. Такое ощущение, что один раз сделал — и потом много раз получаешь оплату. Я раньше такое видел только в контенте с лицензиями.
Изучив документацию OPG по Model Hub, я обнаружил, что логика распределения, которую они закладывают для разработчиков ИИ, почти такая же. Разработчик загружает обученную модель в этот децентрализованный каталог, задаёт цену за вызов, а потом каждый раз, когда кто-то обращается к вашей модели для выполнения вывода (inference), комиссия сразу зачисляется вам через $OPG . Сейчас на Model Hub размещено 2000+ моделей, и каждая выплата происходит в Base-чейне — без прохождения ручной проверки со стороны платформы. После того как код готов, всё по сути делится автоматически. Это та же логика, что и в магазине приложений, когда публикуют плагины и собирают процент, но отличие в том, что расчёты идут по цепочке, без задержек с переводом и без того, чтобы посредник внезапно поменял правила.
Этот дизайн как раз и задуман, чтобы напрямую связать: “модель используют больше людей” и “разработчик зарабатывает больше денег”. А ещё — чтобы расход $OPG был привязан к реальному количеству обращений, а не превращался в бессмысленную управляющую токеном активность.
Моё сомнение в том, что число “2000+ моделей” выглядит внушительно, но какие у них распределения по количеству вызовов — это нигде не раскрыто. То есть: основную долю забирают первые 20–30 моделей, а остальное используется совсем мало, или же всё более-менее равномерно? От этого прямо зависит, есть ли у этой схемы распределения реальная привлекательность для обычных разработчиков. Если по аналогии с магазином приложений, где эффект “хита” крайне выражен, то у большинства загруженных моделей каждый месяц всего по нескольку вызовов. Тогда “загружать модели и зарабатывать $OPG ” будет больше похоже на теоретическую возможность, а не на настоящий пассивный доход.
Сама идея верная: дать разработчикам устойчивый путь монетизации, чтобы модельный хаб жил. Но заработает ли этот путь на практике — нужно дождаться, когда кто-то вытащит статистику по распределению вызовов, а не просто смотреть на “общее число уже размещённых 2000+ моделей” как на ключевой показатель.
@OpenGradient #opg $OPG