Tether QVAC naglunsad ng cross-platform BitNet LoRA para sa 1B fine-tuning sa mobile

Inanunsyo ng Tether ang isang cross-platform na BitNet LoRA fine-tuning at inference framework sa loob ng kanilang QVAC Fabric. Layunin nito na bawasan ang compute at memory na kailangan para i-train ang Microsoft BitNet (1-bit LLM) models gamit ang BitNet LoRA. Ayon kay Tether, may on-device scalability: ang 125M-parameter na modelo ay maaaring i-fine-tune sa mga humigit-kumulang 10 minuto, habang ang 1B-parameter na modelo ay tumatagal ng mga humigit-kumulang 1 oras. Sinasabi din nila na ang mga modelo ay maaaring mag-scale hanggang 13B parameters sa mobile. Pangunahing update sa release na ito: sinusuportahan ng framework ang heterogeneous hardware (Intel, AMD, Apple Silicon) at nagbibigay-daan sa BitNet LoRA sa non-NVIDIA mobile GPUs, kasama ang Adreno, Mali, at Apple Bionic—itinatawag ito ng Tether na unang non-NVIDIA setup para sa 1-bit LLM LoRA fine-tuning. Kasama sa mga performance metric na binanggit ng Tether ang 2–11× mas mabilis na BitNet inference sa mobile GPUs kumpara sa CPU, at hanggang ~77.8% mas mababang GPU memory usage kumpara sa tradisyunal na 16-bit models. Ipinapaliwanag ng Tether na binabawasan nito ang pag-asa sa high-end cloud infrastructure at sinusuportahan ang decentralized training patterns tulad ng federated learning. Para sa mga crypto trader, ito ay higit na isang teknolohiya at AI-infrastructure cost signal na kaugnay ng stablecoin ecosystems kaysa direktang token catalyst. Malamang na limitado ang market impact sa USDT, pero maaaring mapabuti ang mas malawak na sentiment kung mas maraming deployment ang susunod sa BitNet LoRA announcement.