Tether QVAC lanserar plattformsoberoende BitNet LoRA för 1B finjustering på mobil

Tether tillkännagav ett tvärplattformigt BitNet LoRA-finetuning- och inferensramverk inom sin QVAC Fabric. Målet är att minska beräknings- och minnesbehovet för att träna Microsofts BitNet (1-bitars LLM)-modeller med BitNet LoRA. Tether påstår att det är skalbart på enheter: en modell med 125M parametrar kan finjusteras på cirka 10 minuter, medan en modell med 1B parametrar tar ungefär 1 timme. De uppger också att modeller kan skala upp till 13B parametrar på mobil. Viktiga uppdateringar i denna release: ramverket stöder heterogen hårdvara (Intel, AMD, Apple Silicon) och möjliggör BitNet LoRA på icke-NVIDIA mobil-GPU:er, inklusive Adreno, Mali och Apple Bionic—Tether kallar det den första icke-NVIDIA-uppsättningen för 1-bitars LLM LoRA-finetuning. Prestandamått som Tether citerar inkluderar 2–11× snabbare BitNet-inferens på mobil-GPU:er jämfört med CPU och upp till ~77,8 % lägre GPU-minnesanvändning jämfört med traditionella 16-bitarsmodeller. Tether menar att detta minskar beroendet av dyr molninfrastruktur och stödjer decentraliserade träningsmönster som federated learning. För kryptohandlare är detta främst en teknologisignal och en indikator på AI-infrastrukturkostnader kopplad till stablecoin-ekosystem snarare än en direkt token-katalysator. Marknadspåverkan på USDT är sannolikt begränsad, men AI-berättelsen kan förbättra den bredare sentimentet om fler implementeringar följer BitNet LoRA-tillkännagivandet.