Pada hari Minggu, saat menelusuri folder bookmark, saya menemukan tabel pesaing di sektor AI on-chain yang saya salin enam bulan lalu. Jumlah model yang dimiliki tiap proyek berkisar dari puluhan hingga ratusan. Saya lalu membuka panel on-chain @OpenGradient . Model Hub kini menampung lebih dari 4.500 model, beberapa kali lipat dari jumlah seluruh proyek dalam tabel waktu itu. Saya tidak buru-buru terkagum-kagum. Saya ingin memastikan apakah kapasitas sebesar ini benar-benar dimanfaatkan, atau hanya dipenuhi berkas kosong yang belum pernah dipanggil.
Saya memilih satu pekan kerja, lima hari, lalu mengumpulkan data model yang dipanggil di Model Hub pada hari itu berdasarkan empat dimensi: hash bobot, distribusi node hosting, catatan penjadwalan middleware perutean kemampuan, dan bukti penerimaan dari Verification Layer. Setiap hari selama lima hari, saya mengambil dua belas sampel. Untuk keenam puluh kumpulan data itu, saya mencocokkan waktu pencantuman, latensi pemanggilan pertama, dan tanda tangan bukti penerimaan baris demi baris. Hasilnya cukup meyakinkan: dari lebih 4.500 model, sebagian besar mendapat trafik nyata dalam sepekan terakhir, dan model-model di ekor panjang pun bisa diaktifkan lewat cold start.
Dalam diskusi publik soal jumlah model yang dihosting, fokus hampir selalu tertuju pada perbandingan angka. Perbedaan OpenGradient yang benar-benar bisa diverifikasi justru lebih subtil: skalanya bukan hasil menumpuk hitungan unggahan. Setiap bobot dipecah dan disimpan di Walrus, lalu saat dipanggil, middleware perutean kemampuan menyusunnya kembali berdasarkan ketersediaan, sebelum disahkan oleh Verification Layer. Model yang dicantumkan harus terikat pada kapasitas penyimpanan, sedangkan setiap pemanggilan meninggalkan jejak dalam bukti penerimaan. Biaya untuk memanipulasi data bahkan lebih tinggi daripada biaya untuk benar-benar melakukan pekerjaan. Angka 4.500 itu mencerminkan kapasitas nyata, bukan sekadar angka di tabel.
Indikator pengamatan juga perlu diubah. Saya tidak melihat berapa banyak model yang telah dicantumkan OpenGradient secara kumulatif. Saya memantau metrik yang berlawanan dengan konsensus: proporsi model yang diaktifkan oleh setidaknya satu pemanggilan berbayar nyata setiap minggu dan meninggalkan bukti penerimaan di Verification Layer. Metrik pertama mengukur jumlah model yang terdaftar, sedangkan yang kedua mengukur apakah lapisan hosting ini benar-benar digunakan oleh para pengembang.
Jika $OPG hanya berfungsi sebagai biaya pencocokan untuk satu pemanggilan model, maka ia lebih mirip token pembayaran per pemanggilan. Namun, jika ke depannya jaminan kapasitas hosting, insentif cold start, penerbitan bukti penerimaan, bagi hasil untuk model ekor panjang, serta penalti dan penyitaan untuk menyingkirkan model zombie semuanya membentuk suatu siklus yang berpusat padanya, maka fungsinya bukan lagi sekadar token pembayaran, melainkan aset kredit kapasitas untuk jaringan hosting model ini.
Tak perlu buru-buru mengambil kesimpulan. Keunggulan skala baru berarti jika terus terbukti di segmen ekor panjang. Saya bersedia terus mengamati sampel yang dihasilkan oleh mainnet OpenGradient dan para penyedia model yang bergabung berikutnya.
#opg
Saya memilih satu pekan kerja, lima hari, lalu mengumpulkan data model yang dipanggil di Model Hub pada hari itu berdasarkan empat dimensi: hash bobot, distribusi node hosting, catatan penjadwalan middleware perutean kemampuan, dan bukti penerimaan dari Verification Layer. Setiap hari selama lima hari, saya mengambil dua belas sampel. Untuk keenam puluh kumpulan data itu, saya mencocokkan waktu pencantuman, latensi pemanggilan pertama, dan tanda tangan bukti penerimaan baris demi baris. Hasilnya cukup meyakinkan: dari lebih 4.500 model, sebagian besar mendapat trafik nyata dalam sepekan terakhir, dan model-model di ekor panjang pun bisa diaktifkan lewat cold start.
Dalam diskusi publik soal jumlah model yang dihosting, fokus hampir selalu tertuju pada perbandingan angka. Perbedaan OpenGradient yang benar-benar bisa diverifikasi justru lebih subtil: skalanya bukan hasil menumpuk hitungan unggahan. Setiap bobot dipecah dan disimpan di Walrus, lalu saat dipanggil, middleware perutean kemampuan menyusunnya kembali berdasarkan ketersediaan, sebelum disahkan oleh Verification Layer. Model yang dicantumkan harus terikat pada kapasitas penyimpanan, sedangkan setiap pemanggilan meninggalkan jejak dalam bukti penerimaan. Biaya untuk memanipulasi data bahkan lebih tinggi daripada biaya untuk benar-benar melakukan pekerjaan. Angka 4.500 itu mencerminkan kapasitas nyata, bukan sekadar angka di tabel.
Indikator pengamatan juga perlu diubah. Saya tidak melihat berapa banyak model yang telah dicantumkan OpenGradient secara kumulatif. Saya memantau metrik yang berlawanan dengan konsensus: proporsi model yang diaktifkan oleh setidaknya satu pemanggilan berbayar nyata setiap minggu dan meninggalkan bukti penerimaan di Verification Layer. Metrik pertama mengukur jumlah model yang terdaftar, sedangkan yang kedua mengukur apakah lapisan hosting ini benar-benar digunakan oleh para pengembang.
Jika $OPG hanya berfungsi sebagai biaya pencocokan untuk satu pemanggilan model, maka ia lebih mirip token pembayaran per pemanggilan. Namun, jika ke depannya jaminan kapasitas hosting, insentif cold start, penerbitan bukti penerimaan, bagi hasil untuk model ekor panjang, serta penalti dan penyitaan untuk menyingkirkan model zombie semuanya membentuk suatu siklus yang berpusat padanya, maka fungsinya bukan lagi sekadar token pembayaran, melainkan aset kredit kapasitas untuk jaringan hosting model ini.
Tak perlu buru-buru mengambil kesimpulan. Keunggulan skala baru berarti jika terus terbukti di segmen ekor panjang. Saya bersedia terus mengamati sampel yang dihasilkan oleh mainnet OpenGradient dan para penyedia model yang bergabung berikutnya.
#opg
4500+ 模型，还说啥呢冲！
100%
调用是不是真实付费的？
0%
1 Voting • Voting ditutup