Ibinunyag ng Gonka ang PoC mekanismo at direksyon ng ebolusyon ng modelo: Pag-align sa tunay na computing power, pagtiyak ng tuloy-tuloy na partisipasyon ng multi-level GPU

Odaily iniulat na ang desentralisadong AI computing power network na Gonka ay kamakailan nagbigay ng paliwanag sa kanilang komunidad AMA hinggil sa mga pansamantalang pagbabago sa PoC mechanism at paraan ng pagpapatakbo ng modelo. Kabilang sa mga pangunahing pagbabago ay: ang paggamit ng parehong malaking modelo para sa PoC at inference, ang paraan ng pag-activate ng PoC ay mula sa delayed switching ay in-adjust patungo sa near real-time trigger, at ang pag-optimize ng paraan ng pagkalkula ng computing power weight upang mas tumugma sa aktwal na computational cost ng iba't ibang modelo at hardware.

Ipinahayag ng co-founder na si David na ang mga nabanggit na pagbabago ay hindi para sa panandaliang output o para sa ilang partikular na kalahok, kundi ito ay isang kinakailangang ebolusyon ng consensus at verification structure kasabay ng mabilis na paglaki ng network computing power scale. Layunin nitong mapabuti ang katatagan at seguridad ng network sa ilalim ng mataas na load, at maglatag ng pundasyon para sa mas malakihang AI workload sa hinaharap.

Tungkol sa isyung binanggit ng komunidad na mas mataas ang token output ng maliliit na modelo sa kasalukuyang yugto, nilinaw ng team na may malaking pagkakaiba sa aktwal na consumption ng computing power ng iba't ibang laki ng modelo sa ilalim ng parehong bilang ng token. Habang ang network ay umuusad patungo sa mas mataas na computing power density at mas komplikadong mga gawain, unti-unting ina-adjust ng Gonka ang alignment ng computing power weight at aktwal na computational cost upang maiwasan ang pangmatagalang imbalance ng computing power structure na maaaring makaapekto sa kakayahan ng network na mag-expand.

Sa pinakabagong PoC mechanism, na-compress na ng network ang PoC activation time sa loob ng 5 segundo, na nagpapabawas ng aksaya sa computing power dulot ng switching at paghihintay ng modelo, kaya mas malaking bahagi ng GPU resources ay nagagamit para sa epektibong AI computation. Kasabay nito, sa pamamagitan ng unified model operation, nababawasan ang system overhead ng nodes sa paglipat sa pagitan ng consensus at inference, na nagpapataas ng overall computing power utilization efficiency.

Binigyang-diin din ng team na ang single card at small-to-medium scale GPU ay maaaring patuloy na kumita at makilahok sa governance sa pamamagitan ng pool collaboration, flexible participation ayon sa Epoch, at inference tasks. Ang pangmatagalang layunin ng Gonka ay suportahan ang pangmatagalang co-existence ng iba't ibang antas ng computing power sa iisang network sa pamamagitan ng mekanismong ebolusyon.

Ipinahayag ng Gonka na lahat ng mahahalagang pagbabago sa rules ay isinasagawa sa pamamagitan ng on-chain governance at community voting. Sa hinaharap, unti-unting susuportahan ng network ang mas maraming uri ng modelo at AI task forms, magbibigay ng tuloy-tuloy at transparent na participation space para sa iba't ibang laki ng GPU sa buong mundo, at itutulak ang pangmatagalang malusog na pag-unlad ng desentralisadong AI computing power infrastructure.