Interpretación del modelo de lenguaje nativo de Web3 ASI-1 Mini

Descubra QBio, una herramienta médica de IA que se centra en la clasificación de la densidad mamaria y la generación transparente de informes. Cargue una radiografía que le dirá en minutos si la densidad de la mama es A, B, C o D, junto con un informe detallado que explica el proceso de toma de decisiones.

Desarrollado por Fetch e Hybrid, el QBio es solo un aperitivo, y la verdadera estrella es el ASI-1 Mini.

Fetch es un proyecto muy antiguo, en los años en que Defi ocupaba la atención de todo el mercado, Fetch se centró en AI + Crypto, y se ha centrado en el desarrollo y aplicación de tecnología general de Agente multimodelo.

¿Qué es ASI-1 Mini

? En febrero de este año, Fetch lanzó el primer modelo de lenguaje grande (LLM) nativo de Web3 del mundo: ASI-1 Mini. ¿Qué es Web3 Native? En pocas palabras, se integra a la perfección con la cadena de bloques, lo que le permite no solo usar IA, sino también invertir, entrenar y poseer IA a través de tokens $FET y billeteras ASI.

Entonces, ¿qué es exactamente el ASI-1 Mini?

Se trata de un modelo de lenguaje de gran tamaño diseñado para la IA agentica, que puede coordinar múltiples agentes de IA y gestionar tareas complejas de varios pasos.

Por ejemplo, el agente de inferencia ASI detrás de QBio es parte del ASI-1 Mini. No solo clasifica la densidad mamaria, sino que también explica el proceso de toma de decisiones y resuelve el "problema de la caja negra" de la IA. Además, ASI-1 Mini solo necesita dos GPU para ejecutarse, en comparación con otros LLM (como DeepSeek, que requiere 16 GPU H100), el costo es muy bajo, adecuado para que las instituciones cuidadosas usen

ASI-1 Mini ¿Cómo exactamente es

innovador ASI-1 Mini? El rendimiento de ASI-1 Mini es comparable al de los principales LLM, pero el costo del hardware se reduce significativamente, Cuenta con patrones de inferencia dinámicos y capacidades adaptativas avanzadas para una toma de decisiones más eficiente y consciente del contexto.

MoM y MoA

son acrónimos, así que no tengas miedo, es simple: Mezcla de Modelos (MoM), Mezcla de Agentes (MoA).

Imagina un equipo de expertos en IA, cada uno centrado en una tarea diferente, sedoso y sin fisuras. , lo que no solo mejora la eficiencia, sino que también hace que el proceso de toma de decisiones sea más transparente. Por ejemplo, en el análisis de imágenes médicas, el Ministerio de Agricultura puede elegir un modelo que se especialice en el reconocimiento de imágenes y el otro que se especialice en la generación de texto, y el Ministerio de Agricultura coordina la salida de los dos modelos para garantizar que el informe final sea preciso y fácil de leer.

Transparencia y extensibilidadLos

LLM tradicionales tienden a ser "cajas negras" donde les haces preguntas y te dan respuestas, pero por qué respondieron eso, lo siento, sin comentarios. El ASI-1 Mini es diferente, y con un razonamiento continuo de varios pasos, puede decirte que elegí esta respuesta por estas razones, especialmente en el campo de la medicina, que es crucial.

El ASI-1 Mini tendrá una ventana de contexto de hasta 10 millones de tokens, admitirá capacidades multimodales (por ejemplo, procesamiento de imágenes y videos) y lanzará una serie de modelos Cortex en el futuro, centrándose en campos de vanguardia como la robótica y la biotecnología.

Eficiencia

de hardwareMientras que otros LLM requieren altos costos de hardware, el ASI-1 Mini requiere solo dos GPU para funcionar. Esto significa que incluso una clínica pequeña puede permitírselo, sin necesidad de un centro de datos de un millón de dólares.

¿Por qué es tan eficiente? Porque el ASI-1 Mini está diseñado con la filosofía de "menos es más". Optimiza el algoritmo y la estructura del modelo para maximizar el uso de recursos informáticos limitados. Por el contrario, otros LLM tienden a buscar modelos a mayor escala, lo que resulta en un consumo significativo de recursos.

Impulsado por la comunidadA

diferencia de otros modelos de lenguaje grandes, ASI-1 Mini es impulsado por la comunidad a través de la capacitación descentralizada. ASI-1 Mini es un producto freemium escalonado para titulares de $FET que pueden conectarse a una billetera Web3 para desbloquear la funcionalidad completa. Cuantos más tokens FET tenga en su billetera, más podrá explorar las capacidades del modelo.

Este modelo impulsado por la comunidad, al igual que el crowdfunding, no es más que entrenar y validar la inteligencia artificial, la alta tecnología, ya no solo para la élite, sino para que todos participen.

Hoy en día, cuando los LLM están relativamente maduros, ¿por qué es necesario construir un ASI-1 Mini solo? Es fácil de entender y llena el vacío en el que la Web3 converge con la IA.

En la actualidad, los LLM (como ChatGPT y Grok) sirven principalmente a entornos centralizados, y ASI-1 Mini es el primer LLM diseñado para ecosistemas descentralizados. No solo hace que la IA sea más transparente y eficiente, sino que también permite que los miembros de la comunidad se beneficien directamente del crecimiento de la IA.

La aparición de ASI-1 Mini marca la transformación de la IA de "caja negra" a "transparencia", de "centralizada" a "descentralizada" y de "herramienta" a "activo". Puede desempeñar un papel no solo en el campo de la medicina (como QBio), sino también en muchos campos, como las finanzas, el derecho y la investigación científica.

Este mes, Fetch se asoció con Rivalz para integrar el ASI-1 Mini en el Sistema de Coordinación de Datos Agentivos (ADCS) de Rivalz para la inferencia de IA en la cadena. Con esta colaboración, las aplicaciones descentralizadas pueden acceder a capacidades avanzadas de inferencia de IA directamente en la cadena de bloques.

Los entornos tradicionales de blockchain tienen recursos limitados y los contratos inteligentes solo pueden manejar tareas livianas, a menudo a través de oráculos para obtener datos simples (como precios), y no pueden ejecutar directamente modelos complejos de IA. ADCS resuelve este problema a la perfección, con cálculos complejos para la inferencia de IA que se realizan fuera de la cadena, y los resultados se devuelven de forma segura a la cadena de bloques, lo que garantiza la descentralización y la confianza.