Tether QVAC lanseeraa monialustaisen BitNet LoRA:n 1B:n hienosäätöön mobiilissa

Tether ilmoitti monialustaisesta BitNet LoRA -fine-tuning- ja inferenssikehystästä osana QVAC Fabricia. Tavoitteena on vähentää laskentatehoa ja muistia, joita tarvitaan Microsoft BitNet -mallien (1-bittiset LLM) kouluttamiseen BitNet LoRA:n avulla. Tether väittää laitteella tapahtuvaa skaalautuvuutta: 125M parametrin mallin voi fine-tunata noin 10 minuutissa, kun taas 1B parametrin malli vie suunnilleen 1 tunnin. Lisäksi väitetään, että mallit voivat skaalautua jopa 13B parametrin kokoisiksi mobiilissa. Tämän julkaisun keskeiset päivitykset: kehys tukee heterogeenista rautaa (Intel, AMD, Apple Silicon) ja mahdollistaa BitNet LoRA:n ei-NVIDIA-mobiili-GPU:illa, mukaan lukien Adreno, Mali ja Apple Bionic—Tether kutsuu tätä ensimmäiseksi ei-NVIDIA-asetukseksi 1-bittisten LLM:ien LoRA-fine-tuningiin. Tetherin mainitsemat suorituskykymittarit sisältävät 2–11x nopeamman BitNet-inferenssin mobiili-GPU:illa verrattuna CPU:hun ja jopa ~77,8% pienemmän GPU-muistin käytön verrattuna perinteisiin 16-bittisiin malleihin. Tether katsoo, että tämä vähentää riippuvuutta huippuluokan pilvi-infrastruktuurista ja tukee hajautettuja koulutusmalleja, kuten federated learning. Kryptokauppiaille tämä on pääosin teknologia- ja AI-infrastruktuurikustannussignaali, joka liittyy stablecoin-ekosysteemeihin enemmän kuin suora token-katalysaattori. Markkinavaikutus USDT:hen on todennäköisesti rajallinen, mutta AI-narratiivi voi parantaa yleistä sentimenttiä, jos BitNet LoRA -ilmoituksen jälkeen nähdään enemmän käyttöönottoja.