但却未引起市场关注。
0G 团队表示，几个月前已突破一项关键门槛。如今，他们正以公开透明的方式，重新训练同款模型，意在向行业展示去中心化 AI 的真实能力，并让此前成果获得应有的重视。
2025 年 7 月，0G 联合中国移动训练了一款拥有 1,070 亿参数的大模型 DiLoCoX-107B。相关研究成果经过同行评审后，已发表于 arXiv 预印本平台。论文显示，该系统在通信效率方面，相较传统 AllReduce 方法提升了 357 倍。然而，这一突破并未在市场激起太大水花。
团队成员认为，错过了市场窗口期。2025 年中旬，行业注意力全面聚焦主网部署与代币相关叙事，而技术创新的受关注度远远不及。尽管项目含金量十足，受众却局限在极少数专业群体中。
如今，随着去中心化 AI 重回产业焦点，0G 希望让这一成果重新走入行业视野。
公众再培训项目启动这一次，0G 将训练全程完全公开。
0G 计划详细公布每一阶段，包括训练进展、收敛指标及数据来源。团队还将通过 zerogAuth，基于可信执行环境（TEE）进行过程验证。全部训练完成后，模型权重会完全开源。
0G 最终希望证明：去中心化 AI 系统具备可审计、可复现、可验证等优势，是传统封闭模型难以比拟的。
AI 领域模型竞赛新动向现阶段，AI 领域仍普遍以参数规模为衡量标准。数字越大，越能吸引注意力。但在 0G 团队看来，模型的真正价值，在于其完整系统的架构能力。
对团队而言，挑战不仅仅从训练开始，更贯穿验证、存储、推理服务，直至与成熟产品的深度集成。
其中一个核心技术突破在于通信效率。DiLoCoX 采用流水线并行、局部与全局更新双优化器策略、一步延迟重叠机制，以及自适应梯度压缩等多项机制。简言之，这些创新极大减少了分布式训练过程中的通信负担——而通信环节往往是大规模模型训练的主要瓶颈。
此外，0G 将模型嵌入完整的技术栈体系，包括链上验证、去中心化存储、数据可用性、推理与结算等环节。最终呈现的，不只是一次概念验证或学术演示，而是面向实用场景的技术落地环境。
模型可验证性也是其重要卖点之一。借助可信执行环境（TEE），用户不仅能验证模型本身的存在，还可追溯其训练方式及核心数据来源。对于 去中心化 AI 生态而言，这项特性有望从根本上重塑信任范式。
带宽成为加密行业关注焦点0G 团队认为，DiLoCoX-107B 最大亮点正是其革新的训练方式。
团队表示，107B 模型运行所需的仅是普通的 1 Gbit/s 网络，而非专用的数据中心配置。这一突破正面挑战了 AI 行业的核心假设 —— 即前沿模型训练必须依赖稀缺、昂贵的高端网络环境。
如果这一点能够长期成立，其影响或将深远。较低的技术门槛意味着更多的参与者能够加入，包括各类研究团队、企业与公共机构。在这种格局下，如何高效协作成为最大难题，而去中心化系统正是为此类问题而生。
加密项目探索新成本模式0G 还表示，其系统与传统中心化方案相比，成本可降低约 95%。
企业将这一降本成效归因于去除高昂的中心化管理费用，而非单纯依赖更廉价的硬件。若这种效果在实际场景中能够持续，AI 高级模型的训练将对众多机构开放，包括不具备超级算力预算的高校、企业与政府组织。
这或许将彻底改变谁有资格打造真正高水平 AI 模型的游戏规则。
去中心化 AI 能否具备竞争力长期以来，质疑者一直认为去中心化 AI 无法在性能上与中心化方案抗衡。0G 认为，过去“鱼与熊掌不可兼得”的局面正在被打破。
随着模型表现提升、成本大幅降低，讨论的焦点逐渐从技术路线本身，转向实际产出 —— 该系统是否能够训练出高性能模型，是否具备验证能力，以及其成本是否让更多团队能够承受？
开放参与仍伴随现实风险。例如，分布式训练易受数据投毒、梯度攻击、节点质量不一等安全隐患影响。对此，0G 表示采取了架构隔离、异常检测与密码学机制等多重安全措施来应对。
关键并非绝对安全，而是让系统的风险与失败可以被可见、可追溯。
可验证 AI 定义与应用解析对 0G 而言，“可验证 AI”即用“可检验信任”取代“基于名誉的信任”。
用户无需再无条件相信服务商的自述，而是能够独立验证模型训练过程和运行机制。这一理念对于金融、医疗、政务等高度依赖责任溯源的领域，具备显著价值。
这也是去中心化 AI 的独特优势 —— 系统从“信任黑箱”真正转向“可被检验”。
AI 系统从研究到实际应用去中心化 AI 领域近年发展迅猛。早期的概念验证正加速迈向集成训练、验证、存储、推理和经济结算等全流程的应用系统。
0G 期望 DiLoCoX-107B 成为技术演进的有力佐证。其公开再训练不仅关注性能，更强调过程透明。公司正在证明，去中心化 AI 完全有能力打造严肃、可检验的模型。
加密行业未来发展趋势更大规模的模型仍在技术蓝图之上。0G 坚信，百亿、乃至万亿参数级的强大模型，未来都将触手可及。
下一个阶段，成功的关键已不再取决于某项单一的技术突破，而是需要更高效的协作与更广泛的网络参与。在去中心化 AI 领域，组织能力或将与算力同等重要。
对 DiLoCoX-107B 的再训练，旨在重新激活 0G 认为此前被市场忽视的讨论。这也在检验：开放、可验证的 AI 是否能依靠真实结果，而非市场炒作吸引关注。
目前，0G 选择押注于模型公开再训练、透明化文档及开放式访问，力求让去中心化 AI 在新一轮竞争中赢得更坚实的立足点。
