Am Wochenende habe ich einen Abschnitt an Prompt-Wörtern, der letztes Mal in einem zentralisierten Modell-Lernlauf gut funktioniert hat, unverändert an ein solches zentralisiertes Modell gefüttert. Der Tonfall kam deutlich anders rüber. Erst als ich die Einstellungen aufrief, wusste ich, dass die Plattform standardmäßig eine neue Version angebunden hat. Die Änderung steht nur als kleine Zeile im Update-Log. Ich drehte den Kopf um, öffnete die verifizierbare Inferenz-Ansicht für @OpenGradient und wollte sehen, ob es vor den Tricks beim lautlosen Modellwechsel von „Trust AI“ zu „Verify AI“ irgendein Gegenmittel gibt. $TAC
Ich habe drei verschiedene Aufgaben ausgesucht, und auf OpenGradient habe ich jeweils vier Runden pro Aufgabe laufen lassen, also insgesamt zwölf Aufrufe. Bei jedem Aufruf habe ich die Hashes des Zielmodells, den tatsächlich geladenen Fingerprint der Knoten, die Version-Route des Capability-Routing-Middlewares sowie die Quittung der Verification Layer in eine Tabelle gezogen und jede Zeile sorgfältig gegengeprüft. In den zwölf Läufen reichte es, wenn ein Knoten ein einziges Fine-Tuning-Gewicht austauschte: Sofort stimmten Quittungs-Fingerprint und der angeforderte Hash nicht mehr überein, und das Middleware verweigerte das Matching direkt—die Kette konnte nicht weiterlaufen.
Die Diskussionen in der breiten Öffentlichkeit über ChatGPT, die Modelle austauschen, konzentrieren sich fast ausschließlich auf die Emotion, betrogen worden zu sein. OpenGradient macht das jedoch viel kälter: Es verschiebt, ob wirklich das von dir ausgewählte Modell läuft, aus den Bedingungen in eine verbindliche Protokoll-Ebene.
Der Modell-Fingerprint wird auf der Verification Layer öffentlich verankert, das Capability-Routing-Middleware matched nach Fingerprint und nicht nach Plattform-Tags, und jeder lautlose Austausch hinterlässt auf der Quittung nicht zu bestreitende Spuren. Das Modell ist kein Blackbox-Ding, sondern ein On-Chain-Objekt, das jederzeit überprüfbar ist. $RAVE
Auch die Kennzahlen müssen angepasst werden. Ich schaue nicht darauf, wie viele Modellversionen OpenGradient „aufgehängt“ hat—ich starre auf eine Art Anti-Konsens-Datenpunkt: den Anteil der täglichen Quittungen, in denen der Modell-Fingerprint mit dem Request-Fingerprint übereinstimmt und zudem von einer dritten Partei unabhängig erneut berechnet werden kann. Der erste Wert misst die Vielfalt, der zweite misst, ob diese Anti-Austausch-Kette unter realem Traffic wirklich standhält.
Wenn $OPG nur eine Matching-Gebühr für einen einzelnen Aufruf übernimmt, ist es eher wie ein Token zur Abrechnung pro Call; aber wenn in Zukunft Modellversions-Registrierungen, Fingerprint-Verankerung, das Pfänden bei stillen Austauschen, Quittungs-Neuberechnungs-Boni und die Abrechnung über Versionen hinweg alle um es herum einen geschlossenen Kreislauf bilden, dann ist das, was es trägt, nicht mehr einfach ein Abrechnungs-Token—sondern ein versionsbezogenes Vertrauens-Asset des Modells-Identitätsnetzwerks.
Keine Eile mit den Schlussfolgerungen. Einen lautlosen Modellwechsel kann man auf einer zentralisierten Plattform mit nur einer Zeile Konfiguration durchführen; um ihn durch On-Chain-Strukturen auszubalancieren, braucht es Zeit. Ich möchte weiterhin sehen, welche Samples OpenGradient aus dem Mainnet und von den nachfolgenden Anbietern liefert. #opg