Eine DeepSeek-R1-Variante wurde für die Erkennung von Schwachstellen in Smart Contracts mit GRPO und LoRA auf einem einzelnen A100 80GB fein abgestimmt. Das Ergebnis ist ein auf die Aufgabe optimiertes Modell zum Screening, nicht für vollständige Audits.

Wichtige Ergebnisse:

starke Verbesserung der Klassifizierung von verwundbar vs. sauber

zuverlässige strukturierte Ausgaben, bessere Integration in Pipelines

schwache Leistung bei tiefen Schwachstellenüberlegungen, die SWC-Identifikation bleibt begrenzt

Das Modell hat das Formatieren schneller gelernt als das Verständnis für Sicherheit. Die Benutzerfreundlichkeit hat sich verbessert, bevor die Vertrauenswürdigkeit zugenommen hat.

Rolle des dezentralen Computings

@Fluence ermöglichte den gesamten Trainingslauf zu Kosten von 30,97 $.

Das ist der Wandel:

GPU-Zugang ohne zentralisierte Cloud-Preise

On-Demand-Computing, bereitgestellt von dezentralen Anbietern

kostengünstige Experimente mit spezialisierten Modellen

Ergebnis

Anstatt teurer allgemeiner Modelle können Entwickler kostengünstige, zielgerichtete Systeme für spezifische Aufgaben wie die erste Vertragsprüfung iterieren.

Fluence senkt die Rechenkosten.

Geringere Rechenkosten ermöglichen eine schnelle, spezialisierte KI-Entwicklung.