Tether QVAC 推出跨平台 BitNet LoRA，於行動裝置上進行 1B 微調

Tether 在其 QVAC Fabric 內宣布了跨平台的 BitNet LoRA 微調與推論框架。目標是利用 BitNet LoRA 減少訓練 Microsoft BitNet（1-bit LLM）模型所需的運算與記憶體。 Tether 主張具備裝置端擴展性：125M 參數的模型可於約 10 分鐘內完成微調，而 1B 參數的模型約需 1 小時。他們也表示模型可在行動裝置上擴展至 13B 參數。 此版本的主要更新：框架支援異構硬體（Intel、AMD、Apple Silicon），並在非 NVIDIA 的行動 GPU（包含 Adreno、Mali 與 Apple Bionic）上啟用 BitNet LoRA—Tether 稱之為首個針對 1-bit LLM LoRA 微調的非 NVIDIA 設定。 Tether 引述的效能指標包括：在行動 GPU 上的 BitNet 推論相較 CPU 快 2–11×，以及與傳統 16-bit 模型相比，GPU 記憶體使用最多可降低約 ~77.8%。Tether 主張這可降低對高階雲端基礎設施的依賴，並支持如聯邦學習（federated learning）等去中心化訓練模式。 對加密交易者而言，這主要是與穩定幣生態系有關的技術與 AI 基礎設施成本信號，而不是直接的代幣催化劑。對 USDT 的市場影響可能有限，但若有更多部署跟進 BitNet LoRA 的宣布，AI 議題或可提升更廣泛的市場情緒。