Tether QVAC melancarkan BitNet LoRA merentas platform untuk fine-tuning 1B pada peranti mudah alih

Tether mengumumkan rangka kerja fine-tuning dan inferens BitNet LoRA merentas platform dalam QVAC Fabric mereka. Matlamatnya adalah mengurangkan penggunaan pengkomputeran dan memori yang diperlukan untuk melatih model Microsoft BitNet (LLM 1-bit) menggunakan BitNet LoRA. Tether mendakwa kebolehskaalan pada peranti: model 125M parameter boleh di-fine-tune dalam kira-kira 10 minit, manakala model 1B parameter mengambil sekitar 1 jam. Mereka juga menyatakan model boleh diskalakan sehingga 13B parameter di peranti mudah alih. Kemas kini utama dalam keluaran ini: rangka kerja menyokong perkakasan heterogen (Intel, AMD, Apple Silicon) dan membolehkan BitNet LoRA pada GPU mudah alih bukan-NVIDIA, termasuk Adreno, Mali, dan Apple Bionic—Tether menyebutnya sebagai setup bukan-NVIDIA pertama untuk fine-tuning LoRA pada LLM 1-bit. Metrik prestasi yang dipetik Tether termasuk inferens BitNet 2–11× lebih pantas pada GPU mudah alih berbanding CPU, dan sehingga ~77.8% pengurangan penggunaan memori GPU berbanding model 16-bit tradisional. Tether berpendapat ini mengurangkan pergantungan pada infrastruktur awan berkelas tinggi dan menyokong corak latihan terdesentralisasi seperti pembelajaran persekutuan (federated learning). Bagi pedagang kripto, ini terutamanya isyarat teknologi dan kos infrastruktur AI yang berkaitan dengan ekosistem stablecoin dan bukannya pemangkin token secara langsung. Kesan pasaran terhadap USDT kemungkinan terhad, tetapi naratif AI boleh meningkatkan sentimen yang lebih luas jika lebih banyak penggunaan mengikuti pengumuman BitNet LoRA.