OpenGradient

OpenGradient es una red blockchain construida para la inferencia de IA y el cómputo relacionado con IA que puede ser verificado. Su diseño separa la ejecución de la verificación: los nodos de inferencia ejecutan modelos, mientras que los nodos completos verifican atestaciones o pruebas y registran la liquidación en la cadena. La arquitectura se denomina Hybrid AI Compute Architecture (HACA). Soporta tres modos de verificación: TEE, ZKML y Vanilla.

OpenGradient posiciona la red como una infraestructura para la ejecución de IA verificable, el alojamiento de modelos y el despliegue de agentes. La red es compatible con EVM y utiliza una pila Cosmos SDK / CometBFT para el consenso y la liquidación.

Como token, OPG es el token utilitario nativo de la red OpenGradient para los flujos de pago alrededor de la inferencia. OPG es un token ERC-20 con 18 decimales y una oferta fija de 1.000.000.000 OPG.

OPG se utiliza principalmente para el pago de inferencia de LLM a través del flujo de pagos x402 de OpenGradient. En esa configuración, los pagos se realizan en Base, mientras que la ejecución de inferencia, la liquidación de pruebas y la verificación ocurren en la red OpenGradient.

Los nodos completos de OpenGradient gestionan la liquidación de pagos y la distribución de tarifas, y las solicitudes x402 requieren pagos OPG criptográficamente verificados antes de la ejecución.

Más allá de los pagos para LLM, la red más amplia utiliza la liquidación en cadena para operaciones relacionadas con IA, incluyendo:

• inferencia LLM verificada
• ejecución de ML en cadena a través de PIPE
• alojamiento de modelos a través del Model Hub
• operaciones de memoria mediante MemSync
• interacciones con gemelos digitales a través de Twin.fun

El portal del proyecto publica una página de asignación de tokens para OPG, con asignaciones para el ecosistema, la fundación, los contribuyentes principales, inversores y asesores, recompensas por staking, liquidez y airdrop.

La arquitectura de OpenGradient incluye:

• Nodos completos que ejecutan el consenso, verifican atestaciones TEE y pruebas ZKML y liquidan pagos
• Nodos de inferencia que ejecutan modelos, ya sea a través de nodos proxy TEE o nodos de inferencia GPU locales
• Almacenamiento Walrus para modelos y datos de pruebas grandes

El diagrama en la página 6 muestra la división entre ejecución y verificación, la tabla en la página 7 muestra la ruta rápida donde los usuarios obtienen resultados rápidamente y una ruta de verificación asíncrona donde las atestaciones o pruebas se verifican posteriormente, y las páginas 10 y 11 explican cómo se utilizan la verificación TEE y ZKML.