El momento DeepSeek de TAO: El auge de Templar (SN3)

Autor: CJ_Blockchain

El 3 de febrero de 2025, un modelo llamado DeepSeek-R1 se lanzó silenciosamente en la plataforma de Internet de supercomputación nacional.

Durante el mes siguiente, debido a su rendimiento que se comparaba directamente con los modelos cerrados de élite y a sus costos de entrenamiento comparables a un “precio de col” (barato), se convirtió en tendencia mundial.

Esto provocó una caída en las acciones de IA en Wall Street y marcó el inicio del “Momento DeepSeek” de la IA china.

El 10 de marzo de 2026, la Subred 3 Templar de Bittensor anunció la finalización del entrenamiento predecesor de modelos de lenguaje grande (LLM) de mayor escala en la historia: Covenant-72B.

Este es el entrenamiento predecesor de modelos de lenguaje grande de mayor escala en la historia:

720 millones de parámetros, en un conjunto de datos de aproximadamente 1.1 billones de tokens, completamente implementado a través de la red de Bittensor Subnet 3, sin permisos, con más de 70 nodos independientes participando libremente.

Bittensor ha llegado a su propio momento DeepSeek.

1. Templar (SN3): de la recopilación de datos a la transformación del paradigma de entrenamiento central

El antecesor de Templar fue SN3, operado por Omega Labs, que inicialmente se centró en la recopilación y minería de datos multimodales. Con la evolución del mecanismo de Bittensor, esta subred realizó un salto estratégico de “recolector de datos” a “fundidor de modelos”.

Actualmente, Templar se posiciona como infraestructura de entrenamiento predecesor de modelos distribuidos globales. A través de mecanismos de incentivos, reúne potencia computacional heterogénea de todo el mundo, con el objetivo de resolver los costos extremadamente altos de entrenamiento de grandes modelos y los problemas de censura centralizada. La entrega exitosa de Covenant-72B valida la madurez de este modo de producción descentralizado.

2. Covenant-72B: rompiendo el techo de escala en entrenamiento descentralizado

Covenant-72B es un logro emblemático producido por Templar y actualmente el modelo preentrenado de arquitectura densa más grande en una red descentralizada.

• Parámetros clave: 72 mil millones de parámetros, preentrenado en un corpus de datos DCLM de alto rendimiento.
• Rendimiento comparado: en evaluaciones básicas, su desempeño es prácticamente igual al de Llama-2-70B de Meta.
• Optimización por instrucciones: tras ajuste fino, Covenant-72B-Chat muestra una fuerte competitividad en dimensiones como IFEval (seguimiento de instrucciones) y MATH (razonamiento matemático), incluso superando en ciertos indicadores a modelos cerrados del mismo tamaño.
• Eficiencia de inferencia: alcanza una tasa de procesamiento de 450 tokens/segundo, resolviendo el problema de latencia en respuestas de modelos grandes en aplicaciones reales.

3. Algoritmo SparseLoCo: motor subyacente del entrenamiento descentralizado

Entrenar un modelo de 72B en un entorno de internet convencional presenta el mayor desafío en el ancho de banda de comunicación entre nodos. Templar utilizó el algoritmo central SparseLoCo para lograr un avance cualitativo:

• Compresión extrema: el algoritmo solo transmite entre el 1% y 3% de los componentes de gradiente clave, cuantificando los datos en 2 bits, reduciendo significativamente la demanda de ancho de banda.
• Sincronización de baja frecuencia: a diferencia de los clústeres tradicionales que sincronizan en cada paso, SparseLoCo permite que los nodos realicen entre 15 y 250 iteraciones locales antes de sincronizar globalmente.
• Compensación de errores: mediante acumulación local de gradientes, asegura que la convergencia del modelo no se vea afectada incluso con la pérdida de más del 97% de la información.

Esta estrategia técnica demuestra que, incluso sin costosos clústeres de InfiniBand, es posible producir inteligencia de primer nivel usando redes distribuidas globales comunes.

4. Evaluación de la industria y reacción del mercado

Los logros tecnológicos de Templar han captado la atención del círculo principal de IA y del mercado de capitales:

• Reconocimiento oficial:

Jack Clark, cofundador de Anthropic, en su informe analítico, clasificó a Templar como la red de entrenamiento descentralizado más grande y activa del mundo, señalando que su ritmo de desarrollo superó las expectativas del sector.

Jason Calacanis (anfitrión del podcast All-In y conocido inversor en Silicon Valley) explicó en su blog reciente el mecanismo de Bittensor y sugirió a todos comprar.

• Estrategia institucional:

Grayscale continúa acumulando TAO, considerándolo una posición clave en la pista de IA descentralizada.

DCG ha establecido Yuma, centrada en acelerar el ecosistema de Bittensor (TAO), considerado la apuesta más grande y directa de DCG en IA descentralizada.

• Desempeño en el mercado:

$TAO: tras anunciarse la finalización del entrenamiento del modelo de 72B, TAO subió más del 30%, mostrando una fortaleza absoluta en medio de la volatilidad de BTC.

$Templar (SN-3): Templar subió un 75% en 7 días, siendo considerado el principal capturador de emisiones de Bittensor. Su capitalización de mercado actual es solo de 70 millones.

5. Potencial de inversión en subredes y techo ecológico

El éxito de Templar abre un nuevo espacio de imaginación para el ecosistema de Bittensor:

• Amplía el techo de valor: durante mucho tiempo, el mundo cuestionó si Bittensor era solo “aire incentivado”. Templar demuestra que el protocolo puede generar herramientas productivas con potencial comercial, cambiando la lógica de valoración de TAO de “narrativa” a “producto”.
• Potencial de la computación heterogénea: con el desarrollo de “SparseLoCo heterogéneo”, futuras tarjetas gráficas de consumo (como RTX 4090) podrán participar directamente en el entrenamiento de modelos de miles de millones de parámetros, promoviendo la igualdad en recursos computacionales.
• Oportunidad determinista en subredes: bajo el mecanismo dTAO, subredes con barreras tecnológicas sólidas y capacidad de producir modelos de alto rendimiento, como Templar, tienen un valor de inversión a largo plazo muy alto.

Templar actualmente tiene MC=75m y FDV=350m

Mientras que las principales empresas de modelos grandes, OpenAI, tienen una valoración de 840 mil millones, Anthropic 350 mil millones y Minimax 45 mil millones.

No significa que Templar pueda compararse directamente con estas empresas, pero en un entorno donde las narrativas escasean, la atención se dispersa y la gente ya no confía en la descentralización, la aparición de Templar sin duda aporta un fuerte impulso a la IA descentralizada.

Conclusión

Templar demuestra que en un entorno descentralizado no solo se puede almacenar datos, sino también producir inteligencia. Covenant-72B es solo el comienzo; con la integración vertical de SN3 (preentrenamiento), SN39 (potencia computacional) y SN81 (aprendizaje reforzado), ya está surgiendo un prototipo de IA descentralizada en blockchain similar a OpenAI.

Desde su nacimiento, la industria cripto ha desmentido muchas narrativas. La idea de almacenamiento descentralizado, potencia descentralizada y computadoras descentralizadas, que alguna vez parecieron inviable, ahora parecen haber sido refutadas. Sin embargo, todavía hay proyectos que avanzan con firmeza en el camino de la descentralización y logran resultados.

El éxito de Templar no solo es el momento DeepSeek de Bittensor, sino quizás también el momento DeepSeek de Crypto.