Tether QVAC lanceert cross-platform BitNet LoRA voor 1B fine-tuning op mobiel

Tether heeft een cross-platform BitNet LoRA fine-tuning- en inferentieframework aangekondigd binnen zijn QVAC Fabric. Het doel is het rekenwerk en geheugen dat nodig is om Microsoft BitNet (1-bit LLM) modellen te trainen te verminderen met BitNet LoRA. Tether stelt on-device schaalbaarheid: een model met 125M parameters kan in ongeveer 10 minuten worden fine-tuned, terwijl een model met 1B parameters ruwweg 1 uur nodig heeft. Het zegt ook dat modellen kunnen schalen tot 13B parameters op mobiel. Belangrijke updates in deze release: het framework ondersteunt heterogene hardware (Intel, AMD, Apple Silicon) en maakt BitNet LoRA mogelijk op niet-NVIDIA mobiele GPU's, waaronder Adreno, Mali en Apple Bionic—Tether noemt het de eerste niet-NVIDIA setup voor 1-bit LLM LoRA fine-tuning. Door Tether geciteerde prestatiemetingen omvatten 2–11x snellere BitNet-inferentie op mobiele GPU's versus CPU, en tot ~77,8% lager GPU-geheugenverbruik versus traditionele 16-bits modellen. Tether stelt dat dit de afhankelijkheid van high-end cloudinfrastructuur vermindert en gedecentraliseerde trainingspatronen zoals federated learning ondersteunt. Voor crypto traders is dit vooral een technologie- en AI-infrastructuurkostensignaal dat verband houdt met stablecoin-ecosystemen, eerder dan een directe token-catalysator. Markteffect op USDT is waarschijnlijk beperkt, maar het AI-verhaal kan het algemene sentiment verbeteren als er meer implementaties volgen na de BitNet LoRA-aankondiging.