CoinW研究院
Templar（Subnet 3，簡稱SN3）是構建在 Bittensor 生態下的去中心化大語言模型預訓練子網 。 其核心在於通過“SparseLoCo 演演算法壓縮通信、Gauntlet 協定評估貢獻”等創新機制，將極其昂貴且集中的 AI 大模型預訓練流程，轉化為由全球分散算力共同協作的工業級網路系統 。 在架構上，它突破了傳統中心化機房的物理網路限制，不僅降低了算力准入門檻，還實現了對敏感數據的保護與抗審查能力。 從生態與數據表現來看，Templar 已成功交付 720 億參數的“Covenant-72B”模型，證明瞭去中心化訓練在工業級應用上的絕對可行性 。 Templar 補齊了 Bittensor 生態中的重工業基礎模型訓練板塊 ，長期有潛力發展為能夠與 Web2 科技巨頭並行的、更具韌性的開源 AI 基礎設施 。
隨著生成式人工智慧基礎設施的演進，計算能力的分佈與控制權正成為全球科技博弈的核心命題 。 在傳統認知與 Web2 時代中，前沿人工智慧模型開發的算力護城河由極少數科技巨頭確立 。 以 AWS、Azure 為代表的大型雲廠商壟斷了底層物理算力 ，而以 OpenAI、Anthropic 及 Google 為代表的 AI 模型服務商，則通過由數十萬張高端 GPU 組成的龐大集中式數據中心，提供閉源或半開源的模型訓練與推理服務 。
儘管中心化巨頭顯著推動了前沿模型的演進，但這種高度集中的資本與硬體密集型路線存在明顯的局限。 首先是高度中心化與高門檻，普通開發者和中小型企業難以企及，創新被極少數科技寡頭壟斷 。 其次是系統脆弱性，龐大的集中式數據中心一旦遭遇物理或網路故障，將導致大面積服務癱瘓的單點故障風險 。 更關鍵的是數據隱私與合規風險，使用者和企業的數據必須上傳至巨頭的私有雲中，存在極大的數據洩露顧慮 。 最後，這種架構極其容易受到特定硬體出口禁令或白名單管控的限制，缺乏面對審查與地緣政治因素的抗脆弱性 。
2.Templar（SN3）：用“去中心化網络”重構大模型預訓練
為了打破科技巨頭的壟斷，Templar（SN3）應運而生 。 與傳統平臺不同，它不是在做簡單的數據搬運，而是直擊 AI 產業鏈中最昂貴、最核心的環節——超大規模大語言模型的去中心化預訓練 。 簡單來說，Templar 扮演的角色就如同 Web2 領域的 Anthropic 或 OpenAI，可以將其理解為這些公司旗下的大模型訓練實驗室，但其運作建立在分散式網路之上 。
Templar 的核心改變，在於將原本封閉在單一中心化數據中心內的訓練過程，轉變為無許可的開放協作網路。 它打破了傳統的白名單機制，全球任何閑置的高端 GPU 都能隨時接入或退出網路，實現了真正的無許可參與和極高的系統彈性 。 同時，Templar 採用「數據不動模型動」的聯邦學習模式，訓練數據留在礦工本地設備上，網路僅傳輸經過加密和壓縮的梯度數據，完美解決了跨國、跨機構敏感數據訓練的隱私痛點 。 分散的節點架構更為全球 AI 研發提供了一個規避單一主權國家制裁的「暗網算力通道」，實現了極致的抗審查能力 。
在生態體系中，支撐Templar的是頂尖的Covenant AI團隊 。 他們構建了明確的分工版圖：Basilica（SN39）作為基礎設施骨幹網提供去信任化的算力租賃 ; Grail（SN81）負責強化學習微調以確保模型符合人類價值觀 ; 而 Templar（SN3）則定位為「重工業基地」，專門負責最核心的從零到一基礎模型預訓練 。
傳統 AI 訓練高度依賴集中式機房內極速的專有光纖互連 。 Templar 則透過獨創的 SparseLoCo 演算法，將節點間的通訊數據量壓縮了百倍以上 。 這意味著網路不再依賴頂級光纖，只需普通的家用互聯網寬頻，就能將全球地理位置分散的算力節點連接起來進行協同工作 。
在無需許可的開放網路中，為了防止礦工「偷懶」或作惡，Templar 引入了 Gauntlet 協定 。 這是一個嚴密的雙層過濾與動態信用評級（OpenSkill）系統 。 網路中的驗證者會嚴格測試每個礦工提交的數據對模型的實際貢獻，只有真正提升模型品質的節點才能獲得高分和獎勵，從架構上杜絕了作弊可能 。
這一架構已在實際工程中得到徹底驗證。 Templar 近期成功交付了“Covenant-72B”模型，該模型擁有 720 億參數密集架構，跨越了約 1.1 萬億個 Token 的龐大語料庫 。 有超過 70 個完全獨立、地理位置分散的對等節點參與了這一訓練工程，並且允許節點隨時動態加入或退出 。 在零樣本基準測試中，Covenant-72B 在 MMLU 測試中獲得 67.1 分，完全媲美Meta 耗費巨大算力在中心化機房訓練的 LLaMA-2-70B 模型 ，而Covenant-72B僅用了1.1萬億個token是後者的50%。 它在 Web2 產業里的對標位置類似於 Anthropic 的 OPUS 或 OpenAI 的 Codex 。
Templar 的高效運轉，離不開 Bittensor 前沿的“動態TAO（dTAO）”代幣經濟學 。 在這個網路中：
· 礦工：分佈在全球的節點貢獻硬體算力並進行本地模型訓練，提交高品質訓練結果后賺取代幣獎勵 。
· 驗證者：作為「守門員」，負責檢驗礦工作品，維護系統公正與安全，確保模型朝正確方向進化 。
· 投資者：購買並質押 Templar 獨立的 Alpha 代幣，本質上是對子網未來模型品質和算力規模的槓桿化押注 。
在這個自由市場博弈中，模型品質與經濟回報被深度綁定。 Templar 產出的模型越優秀，其代幣價值就越高; 而高價值的代幣又會吸引全球更多、更強的算力礦工群體遷徙至此 。 這一機制促成了一個將算力、價值和網路效應緊密綁定的正向飛輪，形成了一個堅不可摧的生態閉環 。
從當前的生態運行情況來看，Templar 專案已經具備了可觀的市場體量。 其目前市值為8800萬美金 。 在參與者結構上，已有超過 70 個獨立且分散的對等節點實質性地參與到了 72B 級別超大模型的聯合預訓練工程中 。 隨著 Covenant AI 團隊圍繞 SN3 構建出 SN39（算力租賃）和 SN81（強化學習微調）等周邊子網，一個圍繞去中心化大模型生產的完整上下游網路體系已初步顯現 。
截至 4 月 7 日，Templar 的 alpha token 價格約為 0.071TAO，持幣位址約 7519 個，礦工 253個、驗證者 3 個，Emission 佔比為2.58%。 同時，其流動性池中 TAO 佔比為 6.71%，Alpha 佔比為 93.29%。 從價格與持幣數來看，Templar 已具備一定用戶基礎與關注度，但整體仍處於早期擴散階段。
數據來源：https://bittensormarketcap.com/subnets/3
在算力資源高度集中化的大背景下，Templar 為行業提供了一個具備抗單點風險能力的技術方案 。 其核心優勢在於機制設計驅動的範式轉移：它實現了真正的無許可參與，並利用聯邦學習保障數據主權與隱私 。 通過博弈論機制與分散式訓練的結合，Templar 極大地降低了開發者對單一算力供應方的依賴，並構建出能夠規避審查的算力通道 。
去中心化訓練在向更大規模邁進時，網路通信瓶頸與硬體異構性是長期存在的挑戰。 對此，Templar 規劃了技術層面的持續壓榨與優化。 一方面，通過演算法升級和社區極客懸賞進行異步訓練優化，試圖徹底消除網路短板引發的卡頓 。 另一方面，Templar 正在研發新一代異構架構，旨在讓廣泛部署的消費級顯卡（如 RTX 4090）組合成虛擬集群，真正喚醒沉睡在民間的海量長尾算力 。
從當前階段來看，Templar（SN3）已經通過交付 Covenant-72B 成功證明瞭分散式算力交付高性能工業級模型的可行性。 未來能否進一步突破，取決於商業閉環的建立與流動性的引入。
在商業落地方面，Templar 計劃引入「代幣門控」機制，為持有代幣的使用者提供專屬高端模型訪問許可權，以實現從研發到商業價值捕獲的完整閉環 。 在更巨集觀的資金層面，隨著加密行業合規化加速（如TAO的ETF獲批），傳統機構資金的流入將直接提升其經濟預算，進而吸引更高品質的節點加入以嘗試訓練次世代大模型。
從長遠推演，AI 代理（AI Agents）技術的成熟將帶來海量需求，而Templar有望為其提供無需許可的計算與支付基礎設施。 Templar 不僅僅是對 Web2 模式的一種補充，它更在推動 AI 技術走向開源透明，探索一條能夠與中心化實驗室並行、促成全球化協作的堅韌路徑 。
參考
· Templar 官網： https://www.tplr.ai/
· Templar 推特： https://x.com/tplr_ai
· Templar Discord: https://discord.com/invite/N5xgygBJ9r
· Taostats K線： https://taostats.io/subnets/3/chart
· bittensormarketcap數據：https://bittensormarketcap.com/subnets/3
CoinW研究院
Templar（Subnet 3，簡稱SN3）是構建在 Bittensor 生態下的去中心化大語言模型預訓練子網 。 其核心在於通過“SparseLoCo 演演算法壓縮通信、Gauntlet 協定評估貢獻”等創新機制，將極其昂貴且集中的 AI 大模型預訓練流程，轉化為由全球分散算力共同協作的工業級網路系統 。 在架構上，它突破了傳統中心化機房的物理網路限制，不僅降低了算力准入門檻，還實現了對敏感數據的保護與抗審查能力。 從生態與數據表現來看，Templar 已成功交付 720 億參數的“Covenant-72B”模型，證明瞭去中心化訓練在工業級應用上的絕對可行性 。 Templar 補齊了 Bittensor 生態中的重工業基礎模型訓練板塊 ，長期有潛力發展為能夠與 Web2 科技巨頭並行的、更具韌性的開源 AI 基礎設施 。
隨著生成式人工智慧基礎設施的演進，計算能力的分佈與控制權正成為全球科技博弈的核心命題 。 在傳統認知與 Web2 時代中，前沿人工智慧模型開發的算力護城河由極少數科技巨頭確立 。 以 AWS、Azure 為代表的大型雲廠商壟斷了底層物理算力 ，而以 OpenAI、Anthropic 及 Google 為代表的 AI 模型服務商，則通過由數十萬張高端 GPU 組成的龐大集中式數據中心，提供閉源或半開源的模型訓練與推理服務 。
儘管中心化巨頭顯著推動了前沿模型的演進，但這種高度集中的資本與硬體密集型路線存在明顯的局限。 首先是高度中心化與高門檻，普通開發者和中小型企業難以企及，創新被極少數科技寡頭壟斷 。 其次是系統脆弱性，龐大的集中式數據中心一旦遭遇物理或網路故障，將導致大面積服務癱瘓的單點故障風險 。 更關鍵的是數據隱私與合規風險，使用者和企業的數據必須上傳至巨頭的私有雲中，存在極大的數據洩露顧慮 。 最後，這種架構極其容易受到特定硬體出口禁令或白名單管控的限制，缺乏面對審查與地緣政治因素的抗脆弱性 。
2.Templar（SN3）：用“去中心化網络”重構大模型預訓練
為了打破科技巨頭的壟斷，Templar（SN3）應運而生 。 與傳統平臺不同，它不是在做簡單的數據搬運，而是直擊 AI 產業鏈中最昂貴、最核心的環節——超大規模大語言模型的去中心化預訓練 。 簡單來說，Templar 扮演的角色就如同 Web2 領域的 Anthropic 或 OpenAI，可以將其理解為這些公司旗下的大模型訓練實驗室，但其運作建立在分散式網路之上 。
Templar 的核心改變，在於將原本封閉在單一中心化數據中心內的訓練過程，轉變為無許可的開放協作網路。 它打破了傳統的白名單機制，全球任何閑置的高端 GPU 都能隨時接入或退出網路，實現了真正的無許可參與和極高的系統彈性 。 同時，Templar 採用「數據不動模型動」的聯邦學習模式，訓練數據留在礦工本地設備上，網路僅傳輸經過加密和壓縮的梯度數據，完美解決了跨國、跨機構敏感數據訓練的隱私痛點 。 分散的節點架構更為全球 AI 研發提供了一個規避單一主權國家制裁的「暗網算力通道」，實現了極致的抗審查能力 。
在生態體系中，支撐Templar的是頂尖的Covenant AI團隊 。 他們構建了明確的分工版圖：Basilica（SN39）作為基礎設施骨幹網提供去信任化的算力租賃 ; Grail（SN81）負責強化學習微調以確保模型符合人類價值觀 ; 而 Templar（SN3）則定位為「重工業基地」，專門負責最核心的從零到一基礎模型預訓練 。
傳統 AI 訓練高度依賴集中式機房內極速的專有光纖互連 。 Templar 則透過獨創的 SparseLoCo 演算法，將節點間的通訊數據量壓縮了百倍以上 。 這意味著網路不再依賴頂級光纖，只需普通的家用互聯網寬頻，就能將全球地理位置分散的算力節點連接起來進行協同工作 。
在無需許可的開放網路中，為了防止礦工「偷懶」或作惡，Templar 引入了 Gauntlet 協定 。 這是一個嚴密的雙層過濾與動態信用評級（OpenSkill）系統 。 網路中的驗證者會嚴格測試每個礦工提交的數據對模型的實際貢獻，只有真正提升模型品質的節點才能獲得高分和獎勵，從架構上杜絕了作弊可能 。
這一架構已在實際工程中得到徹底驗證。 Templar 近期成功交付了“Covenant-72B”模型，該模型擁有 720 億參數密集架構，跨越了約 1.1 萬億個 Token 的龐大語料庫 。 有超過 70 個完全獨立、地理位置分散的對等節點參與了這一訓練工程，並且允許節點隨時動態加入或退出 。 在零樣本基準測試中，Covenant-72B 在 MMLU 測試中獲得 67.1 分，完全媲美Meta 耗費巨大算力在中心化機房訓練的 LLaMA-2-70B 模型 ，而Covenant-72B僅用了1.1萬億個token是後者的50%。 它在 Web2 產業里的對標位置類似於 Anthropic 的 OPUS 或 OpenAI 的 Codex 。
Templar 的高效運轉，離不開 Bittensor 前沿的“動態TAO（dTAO）”代幣經濟學 。 在這個網路中：
· 礦工：分佈在全球的節點貢獻硬體算力並進行本地模型訓練，提交高品質訓練結果后賺取代幣獎勵 。
· 驗證者：作為「守門員」，負責檢驗礦工作品，維護系統公正與安全，確保模型朝正確方向進化 。
· 投資者：購買並質押 Templar 獨立的 Alpha 代幣，本質上是對子網未來模型品質和算力規模的槓桿化押注 。
在這個自由市場博弈中，模型品質與經濟回報被深度綁定。 Templar 產出的模型越優秀，其代幣價值就越高; 而高價值的代幣又會吸引全球更多、更強的算力礦工群體遷徙至此 。 這一機制促成了一個將算力、價值和網路效應緊密綁定的正向飛輪，形成了一個堅不可摧的生態閉環 。
從當前的生態運行情況來看，Templar 專案已經具備了可觀的市場體量。 其目前市值為8800萬美金 。 在參與者結構上，已有超過 70 個獨立且分散的對等節點實質性地參與到了 72B 級別超大模型的聯合預訓練工程中 。 隨著 Covenant AI 團隊圍繞 SN3 構建出 SN39（算力租賃）和 SN81（強化學習微調）等周邊子網，一個圍繞去中心化大模型生產的完整上下游網路體系已初步顯現 。
截至 4 月 7 日，Templar 的 alpha token 價格約為 0.071TAO，持幣位址約 7519 個，礦工 253個、驗證者 3 個，Emission 佔比為2.58%。 同時，其流動性池中 TAO 佔比為 6.71%，Alpha 佔比為 93.29%。 從價格與持幣數來看，Templar 已具備一定用戶基礎與關注度，但整體仍處於早期擴散階段。
數據來源：https://bittensormarketcap.com/subnets/3
在算力資源高度集中化的大背景下，Templar 為行業提供了一個具備抗單點風險能力的技術方案 。 其核心優勢在於機制設計驅動的範式轉移：它實現了真正的無許可參與，並利用聯邦學習保障數據主權與隱私 。 通過博弈論機制與分散式訓練的結合，Templar 極大地降低了開發者對單一算力供應方的依賴，並構建出能夠規避審查的算力通道 。
去中心化訓練在向更大規模邁進時，網路通信瓶頸與硬體異構性是長期存在的挑戰。 對此，Templar 規劃了技術層面的持續壓榨與優化。 一方面，通過演算法升級和社區極客懸賞進行異步訓練優化，試圖徹底消除網路短板引發的卡頓 。 另一方面，Templar 正在研發新一代異構架構，旨在讓廣泛部署的消費級顯卡（如 RTX 4090）組合成虛擬集群，真正喚醒沉睡在民間的海量長尾算力 。
從當前階段來看，Templar（SN3）已經通過交付 Covenant-72B 成功證明瞭分散式算力交付高性能工業級模型的可行性。 未來能否進一步突破，取決於商業閉環的建立與流動性的引入。
在商業落地方面，Templar 計劃引入「代幣門控」機制，為持有代幣的使用者提供專屬高端模型訪問許可權，以實現從研發到商業價值捕獲的完整閉環 。 在更巨集觀的資金層面，隨著加密行業合規化加速（如TAO的ETF獲批），傳統機構資金的流入將直接提升其經濟預算，進而吸引更高品質的節點加入以嘗試訓練次世代大模型。
從長遠推演，AI 代理（AI Agents）技術的成熟將帶來海量需求，而Templar有望為其提供無需許可的計算與支付基礎設施。 Templar 不僅僅是對 Web2 模式的一種補充，它更在推動 AI 技術走向開源透明，探索一條能夠與中心化實驗室並行、促成全球化協作的堅韌路徑 。
參考
· Templar 官網： https://www.tplr.ai/
· Templar 推特： https://x.com/tplr_ai
· Templar Discord: https://discord.com/invite/N5xgygBJ9r
· Taostats K線： https://taostats.io/subnets/3/chart
· bittensormarketcap數據：https://bittensormarketcap.com/subnets/3