公告中心
CoinW研究院
摘要
Templar（Subnet 3，简称SN3）是构建在 Bittensor 生态下的去中心化大语言模型预训练子网 。其核心在于通过“SparseLoCo 算法压缩通信、Gauntlet 协议评估贡献”等创新机制，将极其昂贵且集中的 AI 大模型预训练流程，转化为由全球分散算力共同协作的工业级网络系统 。在架构上，它突破了传统中心化机房的物理网络限制，不仅降低了算力准入门槛，还实现了对敏感数据的保护与抗审查能力 。从生态与数据表现来看，Templar 已成功交付 720 亿参数的“Covenant-72B”模型，证明了去中心化训练在工业级应用上的绝对可行性 。Templar 补齐了 Bittensor 生态中的重工业基础模型训练板块 ，长期有潜力发展为能够与 Web2 科技巨头并行的、更具韧性的开源 AI 基础设施 。
1.从 Web2 时代典型代表说起：大模型训练的现状与局限
1.1 Web2 时代的算力垄断
随着生成式人工智能基础设施的演进，计算能力的分布与控制权正成为全球科技博弈的核心命题 。在传统认知与 Web2 时代中，前沿人工智能模型开发的算力护城河由极少数科技巨头确立 。以 AWS、Azure 为代表的大型云厂商垄断了底层物理算力 ，而以 OpenAI、Anthropic 及 Google 为代表的 AI 模型服务商，则通过由数十万张高端 GPU 组成的庞大集中式数据中心，提供闭源或半开源的模型训练与推理服务 。
1.2传统模式的核心局限
尽管中心化巨头显著推动了前沿模型的演进，但这种高度集中的资本与硬件密集型路线存在明显的局限。首先是高度中心化与高门槛，普通开发者和中小型企业难以企及，创新被极少数科技寡头垄断 。其次是系统脆弱性，庞大的集中式数据中心一旦遭遇物理或网络故障，将导致大面积服务瘫痪的单点故障风险 。更关键的是数据隐私与合规风险，用户和企业的数据必须上传至巨头的私有云中，存在极大的数据泄露顾虑 。最后，这种架构极其容易受到特定硬件出口禁令或白名单管控的限制，缺乏面对审查与地缘政治因素的抗脆弱性 。
2.Templar（SN3）：用“去中心化网络”重构大模型预训练
2.1Templar 是什么：一个去中心化的大模型训练实验室
为了打破科技巨头的垄断，Templar（SN3）应运而生 。与传统平台不同，它不是在做简单的数据搬运，而是直击 AI 产业链中最昂贵、最核心的环节——超大规模大语言模型的去中心化预训练 。简单来说，Templar 扮演的角色就如同 Web2 领域的 Anthropic 或 OpenAI，可以将其理解为这些公司旗下的大模型训练实验室，但其运作建立在分布式网络之上 。
2.2从封闭系统到开放协作：Templar 解决了什么问题
Templar 的核心改变，在于将原本封闭在单一中心化数据中心内的训练过程，转变为无许可的开放协作网络。它打破了传统的白名单机制，全球任何闲置的高端 GPU 都能随时接入或退出网络，实现了真正的无许可参与和极高的系统弹性 。同时，Templar 采用“数据不动模型动”的联邦学习模式，训练数据留在矿工本地设备上，网络仅传输经过加密和压缩的梯度数据，完美解决了跨国、跨机构敏感数据训练的隐私痛点 。分散的节点架构更为全球 AI 研发提供了一个规避单一主权国家制裁的“暗网算力通道”，实现了极致的抗审查能力 。
2.3在TAO生态中的角色：核心的重工业预训练基地
在生态体系中，支撑 Templar 的是顶尖的 Covenant AI 团队 。他们构建了明确的分工版图：Basilica（SN39）作为基础设施骨干网提供去信任化的算力租赁 ；Grail（SN81）负责强化学习微调以确保模型符合人类价值观 ；而 Templar（SN3）则定位为“重工业基地”，专门负责最核心的从零到一基础模型预训练 。
3.核心架构：大规模预训练是如何在网络中完成的
3.1分布式协同：突破物理网络限制
传统 AI 训练高度依赖集中式机房内极速的专有光纤互连 。Templar 则通过独创的 SparseLoCo 算法，将节点间的通信数据量压缩了百倍以上 。这意味着网络不再依赖顶级光纤，只需普通的家用互联网宽带，就能将全球地理位置分散的算力节点连接起来进行协同工作 。
3.2去信任化的质量控制
在无需许可的开放网络中，为了防止矿工“偷懒”或作恶，Templar 引入了 Gauntlet 协议 。这是一个严密的双层过滤与动态信用评级（OpenSkill）系统 。网络中的验证者会严格测试每个矿工提交的数据对模型的实际贡献，只有真正提升模型质量的节点才能获得高分和奖励，从架构上杜绝了作弊可能 。
3.3工业级交付验证：Covenant-72B 模型
这一架构已在实际工程中得到彻底验证。Templar 近期成功交付了“Covenant-72B”模型，该模型拥有 720 亿参数密集架构，跨越了约 1.1 万亿个 Token 的庞大语料库 。有超过 70 个完全独立、地理位置分散的对等节点参与了这一训练工程，并且允许节点随时动态加入或退出 。在零样本基准测试中，Covenant-72B 在 MMLU 测试中获得 67.1 分，完全媲美 Meta 耗费巨大算力在中心化机房训练的 LLaMA-2-70B 模型 ，而Covenant-72B仅用了1.1万亿个token是后者的50%。它在 Web2 产业里的对标位置类似于 Anthropic 的 OPUS 或 OpenAI 的 Codex 。
4.激励与协作机制：网络协作如何形成“正循环”
4.1动态代币经济学驱动（dTAO）
Templar 的高效运转，离不开 Bittensor 前沿的“动态TAO（dTAO）”代币经济学 。在这个网络中：
矿工：分布在全球的节点贡献硬件算力并进行本地模型训练，提交高质量训练结果后赚取代币奖励 。
验证者：作为“守门员”，负责检验矿工作品，维护系统公正与安全，确保模型朝正确方向进化 。
投资者：购买并质押 Templar 独立的 Alpha 代币，本质上是对子网未来模型质量和算力规模的杠杆化押注 。
4.2算力-价值-网络的生态闭环
在这个自由市场博弈中，模型质量与经济回报被深度绑定。Templar 产出的模型越优秀，其代币价值就越高；而高价值的代币又会吸引全球更多、更强的算力矿工群体迁徙至此 。这一机制促成了一个将算力、价值和网络效应紧密绑定的正向飞轮，形成了一个坚不可摧的生态闭环 。
5.生态现状
从当前的生态运行情况来看，Templar 项目已经具备了可观的市场体量。其目前市值为 8800 万美金 。在参与者结构上，已有超过 70 个独立且分散的对等节点实质性地参与到了 72B 级别超大模型的联合预训练工程中 。随着 Covenant AI 团队围绕 SN3 构建出 SN39（算力租赁）和 SN81（强化学习微调）等周边子网，一个围绕去中心化大模型生产的完整上下游网络体系已初步显现 。
截至 4 月 7 日，Templar的 alpha token 价格约为 0.071TAO，持币地址约 7519 个，矿工 253个、验证者 3 个，Emission 占比为2.58%。同时，其流动性池中 TAO 占比为 6.71%，Alpha 占比为 93.29%。从价格与持币数来看，Templar 已具备一定用户基础与关注度，但整体仍处于早期扩散阶段。
数据来源：https://bittensormarketcap.com/subnets/3
6.竞争格局与优劣势
6.1行业定位与核心优势
在算力资源高度集中化的大背景下，Templar 为行业提供了一个具备抗单点风险能力的技术方案 。其核心优势在于机制设计驱动的范式转移：它实现了真正的无许可参与，并利用联邦学习保障数据主权与隐私 。通过博弈论机制与分布式训练的结合，Templar 极大地降低了开发者对单一算力供应方的依赖，并构建出能够规避审查的算力通道 。
6.2持续演进的挑战与规划
去中心化训练在向更大规模迈进时，网络通信瓶颈与硬件异构性是长期存在的挑战。对此，Templar 规划了技术层面的持续压榨与优化。一方面，通过算法升级和社区极客悬赏进行异步训练优化，试图彻底消除网络短板引发的卡顿 。另一方面，Templar 正在研发新一代异构架构，旨在让广泛部署的消费级显卡（如 RTX 4090）组合成虚拟集群，真正唤醒沉睡在民间的海量长尾算力 。
7.未来展望：去中心化工业级大模型能否成立？
从当前阶段来看，Templar（SN3）已经通过交付 Covenant-72B 成功证明了分布式算力交付高性能工业级模型的可行性 。未来能否进一步突破，取决于商业闭环的建立与流动性的引入。
在商业落地方面，Templar 计划引入“代币门控”机制，为持有代币的用户提供专属高端模型访问权限，以实现从研发到商业价值捕获的完整闭环 。在更宏观的资金层面，随着加密行业合规化加速（如 TAO 的 ETF 获批），传统机构资金的流入将直接提升其经济预算，进而吸引更高质量的节点加入以尝试训练次世代大模型 。
从长远推演，AI 代理（AI Agents）技术的成熟将带来海量需求，而 Templar 有望为其提供无需许可的计算与支付基础设施 。Templar 不仅仅是对 Web2 模式的一种补充，它更在推动 AI 技术走向开源透明，探索一条能够与中心化实验室并行、促成全球化协作的坚韧路径 。
参考
Templar 官网: https://www.tplr.ai/
Templar 推特: https://x.com/tplr_ai
Templar Discord: https://discord.com/invite/N5xgygBJ9r
Taostats K线: https://taostats.io/subnets/3/chart
bittensormarketcap数据：https://bittensormarketcap.com/subnets/3
CoinW研究院
摘要
Templar（Subnet 3，简称SN3）是构建在 Bittensor 生态下的去中心化大语言模型预训练子网 。其核心在于通过“SparseLoCo 算法压缩通信、Gauntlet 协议评估贡献”等创新机制，将极其昂贵且集中的 AI 大模型预训练流程，转化为由全球分散算力共同协作的工业级网络系统 。在架构上，它突破了传统中心化机房的物理网络限制，不仅降低了算力准入门槛，还实现了对敏感数据的保护与抗审查能力 。从生态与数据表现来看，Templar 已成功交付 720 亿参数的“Covenant-72B”模型，证明了去中心化训练在工业级应用上的绝对可行性 。Templar 补齐了 Bittensor 生态中的重工业基础模型训练板块 ，长期有潜力发展为能够与 Web2 科技巨头并行的、更具韧性的开源 AI 基础设施 。
1.从 Web2 时代典型代表说起：大模型训练的现状与局限
1.1 Web2 时代的算力垄断
随着生成式人工智能基础设施的演进，计算能力的分布与控制权正成为全球科技博弈的核心命题 。在传统认知与 Web2 时代中，前沿人工智能模型开发的算力护城河由极少数科技巨头确立 。以 AWS、Azure 为代表的大型云厂商垄断了底层物理算力 ，而以 OpenAI、Anthropic 及 Google 为代表的 AI 模型服务商，则通过由数十万张高端 GPU 组成的庞大集中式数据中心，提供闭源或半开源的模型训练与推理服务 。
1.2传统模式的核心局限
尽管中心化巨头显著推动了前沿模型的演进，但这种高度集中的资本与硬件密集型路线存在明显的局限。首先是高度中心化与高门槛，普通开发者和中小型企业难以企及，创新被极少数科技寡头垄断 。其次是系统脆弱性，庞大的集中式数据中心一旦遭遇物理或网络故障，将导致大面积服务瘫痪的单点故障风险 。更关键的是数据隐私与合规风险，用户和企业的数据必须上传至巨头的私有云中，存在极大的数据泄露顾虑 。最后，这种架构极其容易受到特定硬件出口禁令或白名单管控的限制，缺乏面对审查与地缘政治因素的抗脆弱性 。
2.Templar（SN3）：用“去中心化网络”重构大模型预训练
2.1Templar 是什么：一个去中心化的大模型训练实验室
为了打破科技巨头的垄断，Templar（SN3）应运而生 。与传统平台不同，它不是在做简单的数据搬运，而是直击 AI 产业链中最昂贵、最核心的环节——超大规模大语言模型的去中心化预训练 。简单来说，Templar 扮演的角色就如同 Web2 领域的 Anthropic 或 OpenAI，可以将其理解为这些公司旗下的大模型训练实验室，但其运作建立在分布式网络之上 。
2.2从封闭系统到开放协作：Templar 解决了什么问题
Templar 的核心改变，在于将原本封闭在单一中心化数据中心内的训练过程，转变为无许可的开放协作网络。它打破了传统的白名单机制，全球任何闲置的高端 GPU 都能随时接入或退出网络，实现了真正的无许可参与和极高的系统弹性 。同时，Templar 采用“数据不动模型动”的联邦学习模式，训练数据留在矿工本地设备上，网络仅传输经过加密和压缩的梯度数据，完美解决了跨国、跨机构敏感数据训练的隐私痛点 。分散的节点架构更为全球 AI 研发提供了一个规避单一主权国家制裁的“暗网算力通道”，实现了极致的抗审查能力 。
2.3在TAO生态中的角色：核心的重工业预训练基地
在生态体系中，支撑 Templar 的是顶尖的 Covenant AI 团队 。他们构建了明确的分工版图：Basilica（SN39）作为基础设施骨干网提供去信任化的算力租赁 ；Grail（SN81）负责强化学习微调以确保模型符合人类价值观 ；而 Templar（SN3）则定位为“重工业基地”，专门负责最核心的从零到一基础模型预训练 。
3.核心架构：大规模预训练是如何在网络中完成的
3.1分布式协同：突破物理网络限制
传统 AI 训练高度依赖集中式机房内极速的专有光纤互连 。Templar 则通过独创的 SparseLoCo 算法，将节点间的通信数据量压缩了百倍以上 。这意味着网络不再依赖顶级光纤，只需普通的家用互联网宽带，就能将全球地理位置分散的算力节点连接起来进行协同工作 。
3.2去信任化的质量控制
在无需许可的开放网络中，为了防止矿工“偷懒”或作恶，Templar 引入了 Gauntlet 协议 。这是一个严密的双层过滤与动态信用评级（OpenSkill）系统 。网络中的验证者会严格测试每个矿工提交的数据对模型的实际贡献，只有真正提升模型质量的节点才能获得高分和奖励，从架构上杜绝了作弊可能 。
3.3工业级交付验证：Covenant-72B 模型
这一架构已在实际工程中得到彻底验证。Templar 近期成功交付了“Covenant-72B”模型，该模型拥有 720 亿参数密集架构，跨越了约 1.1 万亿个 Token 的庞大语料库 。有超过 70 个完全独立、地理位置分散的对等节点参与了这一训练工程，并且允许节点随时动态加入或退出 。在零样本基准测试中，Covenant-72B 在 MMLU 测试中获得 67.1 分，完全媲美 Meta 耗费巨大算力在中心化机房训练的 LLaMA-2-70B 模型 ，而Covenant-72B仅用了1.1万亿个token是后者的50%。它在 Web2 产业里的对标位置类似于 Anthropic 的 OPUS 或 OpenAI 的 Codex 。
4.激励与协作机制：网络协作如何形成“正循环”
4.1动态代币经济学驱动（dTAO）
Templar 的高效运转，离不开 Bittensor 前沿的“动态TAO（dTAO）”代币经济学 。在这个网络中：
矿工：分布在全球的节点贡献硬件算力并进行本地模型训练，提交高质量训练结果后赚取代币奖励 。
验证者：作为“守门员”，负责检验矿工作品，维护系统公正与安全，确保模型朝正确方向进化 。
投资者：购买并质押 Templar 独立的 Alpha 代币，本质上是对子网未来模型质量和算力规模的杠杆化押注 。
4.2算力-价值-网络的生态闭环
在这个自由市场博弈中，模型质量与经济回报被深度绑定。Templar 产出的模型越优秀，其代币价值就越高；而高价值的代币又会吸引全球更多、更强的算力矿工群体迁徙至此 。这一机制促成了一个将算力、价值和网络效应紧密绑定的正向飞轮，形成了一个坚不可摧的生态闭环 。
5.生态现状
从当前的生态运行情况来看，Templar 项目已经具备了可观的市场体量。其目前市值为 8800 万美金 。在参与者结构上，已有超过 70 个独立且分散的对等节点实质性地参与到了 72B 级别超大模型的联合预训练工程中 。随着 Covenant AI 团队围绕 SN3 构建出 SN39（算力租赁）和 SN81（强化学习微调）等周边子网，一个围绕去中心化大模型生产的完整上下游网络体系已初步显现 。
截至 4 月 7 日，Templar的 alpha token 价格约为 0.071TAO，持币地址约 7519 个，矿工 253个、验证者 3 个，Emission 占比为2.58%。同时，其流动性池中 TAO 占比为 6.71%，Alpha 占比为 93.29%。从价格与持币数来看，Templar 已具备一定用户基础与关注度，但整体仍处于早期扩散阶段。
数据来源：https://bittensormarketcap.com/subnets/3
6.竞争格局与优劣势
6.1行业定位与核心优势
在算力资源高度集中化的大背景下，Templar 为行业提供了一个具备抗单点风险能力的技术方案 。其核心优势在于机制设计驱动的范式转移：它实现了真正的无许可参与，并利用联邦学习保障数据主权与隐私 。通过博弈论机制与分布式训练的结合，Templar 极大地降低了开发者对单一算力供应方的依赖，并构建出能够规避审查的算力通道 。
6.2持续演进的挑战与规划
去中心化训练在向更大规模迈进时，网络通信瓶颈与硬件异构性是长期存在的挑战。对此，Templar 规划了技术层面的持续压榨与优化。一方面，通过算法升级和社区极客悬赏进行异步训练优化，试图彻底消除网络短板引发的卡顿 。另一方面，Templar 正在研发新一代异构架构，旨在让广泛部署的消费级显卡（如 RTX 4090）组合成虚拟集群，真正唤醒沉睡在民间的海量长尾算力 。
7.未来展望：去中心化工业级大模型能否成立？
从当前阶段来看，Templar（SN3）已经通过交付 Covenant-72B 成功证明了分布式算力交付高性能工业级模型的可行性 。未来能否进一步突破，取决于商业闭环的建立与流动性的引入。
在商业落地方面，Templar 计划引入“代币门控”机制，为持有代币的用户提供专属高端模型访问权限，以实现从研发到商业价值捕获的完整闭环 。在更宏观的资金层面，随着加密行业合规化加速（如 TAO 的 ETF 获批），传统机构资金的流入将直接提升其经济预算，进而吸引更高质量的节点加入以尝试训练次世代大模型 。
从长远推演，AI 代理（AI Agents）技术的成熟将带来海量需求，而 Templar 有望为其提供无需许可的计算与支付基础设施 。Templar 不仅仅是对 Web2 模式的一种补充，它更在推动 AI 技术走向开源透明，探索一条能够与中心化实验室并行、促成全球化协作的坚韧路径 。
参考
Templar 官网: https://www.tplr.ai/
Templar 推特: https://x.com/tplr_ai
Templar Discord: https://discord.com/invite/N5xgygBJ9r
Taostats K线: https://taostats.io/subnets/3/chart
bittensormarketcap数据：https://bittensormarketcap.com/subnets/3