Tether QVAC startet plattformübergreifendes BitNet LoRA für 1B-Fine-Tuning auf Mobilgeräten

Tether hat ein plattformübergreifendes BitNet LoRA Fine-Tuning- und Inferenz-Framework innerhalb seines QVAC Fabric angekündigt. Ziel ist es, den Rechen- und Speicheraufwand für das Training von Microsofts BitNet (1-Bit-LLM)-Modellen mit BitNet LoRA zu reduzieren. Tether behauptet On-Device-Skalierbarkeit: Ein Modell mit 125M Parametern lasse sich in etwa 10 Minuten fine-tunen, ein 1B-Parameter-Modell benötige rund 1 Stunde. Außerdem sollen Modelle auf mobilen Geräten bis zu 13B Parameter skaliert werden können. Wesentliche Neuerungen in diesem Release: Das Framework unterstützt heterogene Hardware (Intel, AMD, Apple Silicon) und ermöglicht BitNet LoRA auf nicht-NVIDIA Mobil-GPUs, darunter Adreno, Mali und Apple Bionic—Tether bezeichnet dies als das erste nicht-NVIDIA-Setup für 1-Bit-LLM-LoRA-Fine-Tuning. Von Tether angegebene Leistungskennzahlen umfassen eine 2–11× schnellere BitNet-Inferenz auf Mobil-GPUs gegenüber CPU sowie bis zu ~77,8% geringeren GPU-Speicherbedarf im Vergleich zu herkömmlichen 16-Bit-Modellen. Tether argumentiert, dass dies die Abhängigkeit von teurer Cloud-Infrastruktur verringert und dezentrale Trainingsmuster wie Federated Learning unterstützt. Für Krypto-Trader ist dies vor allem ein Technologie- und AI-Infrastruktur-Kostensignal im Zusammenhang mit Stablecoin-Ökosystemen und kein direkter Token-Katalysator. Die Marktwirkung auf USDT ist wahrscheinlich begrenzt, aber die AI-Erzählung könnte die allgemeine Stimmung verbessern, wenn weitere Deployments auf die BitNet LoRA-Ankündigung folgen.