El fin de semana le metí tal cual un fragmento de prompts que el mes pasado me salió bien a un modelo de IA centralizado en un cierto centro; el tono que devolvió era claramente distinto al anterior. Cambié la configuración y ahí supe que la plataforma ya estaba conectando una versión nueva por defecto. El cambio solo aparece como una pequeña línea en el registro de cambios. Entonces volteé y abrí el panel de inferencia verificable de @OpenGradient para ver si, ante estas trampas de cambiar el modelo en silencio —de “AI de confianza” a “AI de verificación”—, había alguna forma de plantarle cara.$TAC
Elegí tres tareas diferentes y en OpenGradient las corrí cuatro rondas en cada una, doce ejecuciones en total. En cada llamada registré en una tabla el hash del modelo objetivo, la huella real cargada por el nodo, la versión/ruta del middleware de enrutamiento de capacidades y el recibo de la Verification Layer, y lo verifiqué línea por línea. De las doce veces, en cuanto un nodo “cambiaba” un microajuste de peso, la huella del recibo y el hash que yo pedí dejaban de coincidir de inmediato; el middleware rechazaba el emparejamiento y la cadena ya no podía continuar.
Hay mucha conversación sobre cómo ChatGPT “cambia de modelo” y casi todo el foco está en la emoción de ser engañados. Lo que hace OpenGradient en realidad es más frío: mover, a nivel de protocolo, si el modelo que se ejecuta es el que tú seleccionaste, sujetándolo con restricciones fuertes en los términos y condiciones. La huella del modelo queda anclada públicamente en la Verification Layer; el middleware de enrutamiento empareja por huella, no por etiquetas de la plataforma. Cualquier sustitución silenciosa deja rastros que no se pueden negar en el recibo. El modelo no es una caja negra: es un objeto verificable en cadena que se puede comprobar en cualquier momento.$RAVE
Los indicadores también tienen que cambiar. No me importa cuántas versiones de modelos tenga OpenGradient caídas o funcionando; yo vigilo un dato contrario al consenso: cada día, el porcentaje en el que la huella del modelo en el recibo coincide con la huella de la solicitud, y además puede ser recalculada de forma independiente por un tercero. El primero mide la riqueza; el segundo mide si esta cadena antiplantación de sustitución aguanta bajo tráfico real.
Si $OPG solo se limita a cobrar la tarifa de emparejamiento de una única llamada, entonces se parece más a un token de facturación por llamada; pero si en el futuro las versiones de modelos se registran, las huellas se anclan, las sustituciones silenciosas se penalizan y se ofrecen recompensas por recalcular recibos, y además la compensación de llamadas entre versiones gira en torno a eso formando un circuito cerrado, entonces ya no asume el papel de token de facturación, sino que es un activo de crédito de versión en la red de identidad del modelo.
Sin prisa por sacar conclusiones. Cambiar el modelo en silencio en una plataforma centralizada puede hacerse modificando una sola configuración; para que el entramado en cadena lo controle y lo limite requiere tiempo. Estoy dispuesto a seguir observando las muestras que entrega la red principal de OpenGradient y las partes que se conecten después.#opg