Tether 推出 AI 平台 QVAC：主打「本地運算」，手機即可訓練大型模型

Tether 全新 AI 訓練框架 QVAC

根據 Tether 公布的資訊，QVAC 平台內建全新訓練框架，結合微軟 BitNet 架構與 LoRA（低秩適配）技術，大幅降低模型訓練所需的記憶體與算力需求。官方表示，該系統可支援在智慧型手機與非 Nvidia GPU 上進行大型語言模型（LLM）微調，顯著降低 AI 開發成本與硬體門檻。

在實際效能方面，Tether 指出，其工程團隊已成功在手機上於兩小時內完成最高達 10 億參數模型的微調，較小模型甚至可在數分鐘內完成；同時，該框架也支援在行動裝置上運行最高達 130 億參數的模型。

從硬體支援來看，QVAC 具備高度跨平台能力，可運行於 AMD、Intel、Apple Silicon 等晶片，以及 Qualcomm 與 Apple 的行動 GPU。這意味著 AI 訓練與推理不再侷限於傳統資料中心或高階 GPU。

根據 Delphi Digital 數據，在 BitNet 架構下，手機端推理速度已具備實用性，例如 iPhone 16 在 GPU 上可達每秒約 130 tokens，遠高於 CPU 表現，顯示行動端 AI 運算能力正在快速提升。

降低 77% 記憶體需求，擴大 AI 普及性

BitNet 作為一種 1-bit 模型架構，可將 VRAM 使用量降低最高達 77.8%，讓更大型模型能在有限硬體上運行。同時，QVAC 亦支援在非 Nvidia 硬體上進行 LoRA 微調，進一步打破 AI 訓練對特定 GPU 生態的依賴。

Tether 表示，該技術同樣適用於推理場景，行動裝置上的 GPU，執行 BitNet 模型的速度可達 CPU 的數倍，並可應用於裝置端訓練（on-device training）與聯邦學習（federated learning），讓資料可留在本地設備中處理，降低對中心化雲端的依賴與隱私風險。

模組化 AI 網路：無需 API、無中心伺服器

除了底層技術，QVAC 亦提供模組化 SDK，讓開發者可建立「AI 微模組」，並透過點對點加密網路進行連接與協作，無需依賴中心化伺服器或 API 金鑰。Tether 已在 QVAC 上開發多項應用場景，包括：

• Translate：支援離線文字、語音與圖像翻譯
• Health：透過裝置端 AI 代理追蹤個人健康數據
• Keet：整合 QVAC AI，提供本地對話功能

這一架構顯示 Tether 正試圖建立一個去中心化 AI 生態，將 AI 能力直接部署至用戶設備。

加密產業加速轉向 AI 基礎設施

Tether 的布局正值加密產業全面擴展至 AI 領域之際。近年來，包括比特幣礦業公司與基礎設施企業，紛紛轉向高效能運算（HPC）與 AI 訓練業務。

例如，Google 已投資比特幣礦企 Cipher Mining，並簽署總額 30 億美元的 AI 資料中心合作協議；礦企 IREN 計畫募資 36 億美元建設 AI 基礎設施；HIVE Digital 與 Core Scientific 亦分別在 AI 業務與融資上取得重大進展。

同時，AI 代理（AI agents）也正快速崛起。Coinbase、Alchemy 及 World（由 OpenAI 執行長 Sam Altman 共同創立）等公司，已推出相關基礎設施，使 AI 能夠直接進行鏈上交易與身份驗證。

打造去中心化 AI 未來

整體而言，QVAC 顯示 Tether 正嘗試將 AI 從雲端資料中心「下放」至用戶設備，並結合去中心化網路架構，打造一個更開放、低門檻且隱私友善的 AI 生態系。

在 AI 與加密技術逐漸融合的趨勢下，QVAC 的推出不僅代表 Tether 的戰略佈局，也可能預示著下一階段 AI 基礎設施的競爭方向。

參考來源

Source