OpenGradient

OpenGradient ist ein Blockchain-Netzwerk, das für AI-Inferenz und AI-bezogene Berechnungen entwickelt wurde, die verifiziert werden können. Das Design trennt Ausführung von Verifizierung: Inferenz-Knoten führen Modelle aus, während Full Nodes Attestierungen oder Beweise verifizieren und die Abrechnung on-chain aufzeichnen. Diese Architektur wird als Hybrid AI Compute Architecture (HACA) bezeichnet. Sie unterstützt drei Verifizierungsmodi: TEE, ZKML und Vanilla.

OpenGradient positioniert das Netzwerk als Infrastruktur für verifizierbare AI-Ausführung, Modell-Hosting und Agenten-Deployment. Das Netzwerk ist EVM-kompatibel und nutzt einen Cosmos SDK / CometBFT Stack für Konsens und Abrechnung.

Als Token ist OPG der native Utility-Token des OpenGradient-Netzwerks für Zahlungsflüsse rund um Inferenz. OPG ist ein ERC-20 Token mit 18 Dezimalstellen und einem festen Angebot von 1.000.000.000 OPG.

OPG wird hauptsächlich für die Bezahlung von LLM-Inferenz über OpenGradients x402 Zahlungsfluss verwendet. In diesem Setup erfolgen Zahlungen auf Base, während die Ausführung, Beweis-Abwicklung und Verifizierung der Inferenz im OpenGradient-Netzwerk stattfinden.

OpenGradient Full Nodes verwalten die Zahlungsabwicklung und die Gebührendistribution, und x402 Anfragen erfordern kryptographisch verifizierte OPG-Zahlungen vor der Ausführung.

Über LLM-Zahlungen hinaus verwendet das breitere Netzwerk on-chain-Abrechnung für AI-bezogene Operationen, einschließlich:

• verifizierte LLM-Inferenz
• on-chain ML-Ausführung über PIPE
• Modell-Hosting über den Model Hub
• Speicheroperationen über MemSync
• Digital-Twin-Interaktionen über Twin.fun

Das Projektportal veröffentlicht eine Token-Verteilungsseite für OPG mit Allokationen für das Ökosystem, die Stiftung, Hauptbeitragende, Investoren und Berater, Staking-Belohnungen, Liquidität und Airdrop.

Die Architektur von OpenGradient umfasst:

• Full Nodes, die Konsens durchführen, TEE-Attestierungen und ZKML-Beweise verifizieren und Zahlungen abwickeln
• Inferenz-Knoten, die Modelle ausführen, entweder über TEE-Proxy-Knoten oder lokale GPU-Inferenz-Knoten
• Walrus-Speicher für Modelle und große Beweisdaten

Das Diagramm auf Seite 6 zeigt die Trennung zwischen Ausführung und Verifizierung, die Tabelle auf Seite 7 zeigt den Fast Path, bei dem Nutzer schnell Ergebnisse erhalten, und einen asynchronen Verifizierungspfad, bei dem Attestierungen oder Beweise später geprüft werden. Die Seiten 10 und 11 erklären, wie TEE- und ZKML-Verifizierung verwendet werden.