OpenGradient

OpenGradient — это блокчейн-сеть, созданная для AI-инференса и связанных с искусственным интеллектом вычислений, которые могут быть проверены. В её архитектуре выполнение отделено от верификации: инференс-узлы запускают модели, в то время как полные узлы проверяют аттестации или доказательства и фиксируют расчёты в цепочке. Такая архитектура называется Hybrid AI Compute Architecture (HACA). Она поддерживает три режима верификации: TEE, ZKML и Vanilla.

OpenGradient позиционирует сеть как инфраструктуру для достоверного выполнения AI-задач, хостинга моделей и деплоя агентов. Сеть совместима с EVM и использует стек Cosmos SDK / CometBFT для консенсуса и расчётов.

В качестве токена, OPG является нативным утилитарным токеном сети OpenGradient, используемым для платежей, связанных с инференсом. OPG — это ERC-20 токен с 18 знаками после запятой и фиксированной эмиссией в 1 000 000 000 OPG.

OPG используется в первую очередь для оплаты LLM-инференса через x402-платеж OpenGradient. В этой модели платежи совершаются в сети Base, в то время как выполнение инференса, подтверждение доказательств и верификация происходят в сети OpenGradient.

Полные узлы OpenGradient отвечают за расчёт платежей и распределение комиссий, а для x402-запросов требуется криптографически подтверждённая оплата OPG до начала исполнения.

Помимо LLM-платежей, сеть проводит расчёты в блокчейне для операций, связанных с AI, включая:

• подтверждённый LLM-инференс
• выполнение ML на цепочке через PIPE
• хостинг моделей через Model Hub
• операции с памятью через MemSync
• взаимодействие с цифровыми двойниками через Twin.fun

На портале проекта опубликована страница распределения токенов OPG с выделением долей для экосистемы, фонда, основных участников, инвесторов и советников, вознаграждений за стейкинг, ликвидности и airdrop.

Архитектура OpenGradient содержит:

• Полные узлы, которые участвуют в консенсусе, проверяют TEE-аттестации и ZKML-доказательства, а также осуществляют расчёт платежей
• Инференс-узлы, которые выполняют модели либо через TEE proxy-узлы, либо через локальные GPU-инференс-узлы
• Хранилище Walrus для моделей и больших данных доказательств

Диаграмма на странице 6 показывает разделение между исполнением и верификацией, таблица на странице 7 иллюстрирует быстрый путь, при котором пользователи быстро получают результаты, и асинхронный путь верификации, где аттестации или доказательства проверяются позже, а страницы 10 и 11 объясняют, как используются TEE и ZKML для верификации.