Крупнейший эмитент стейблкоина USDT выпустил стек для локального ИИ
Тут Tether - те самые, которые эмитент USDT, выпустили платформу QVAC, в которой ИИ работает локально и собственные медицинские ИИ-модели MedPsy.
QVAC - полный стек для локального ИИ: SDK для разработчиков, движок Fabric, который запускает модели на любом железе через Vulkan, включая мобильные GPU, синтетические датасеты Genesis для обучения, и приложения поверх - Workbench и Health.
То есть Tether строят инфраструктуру для децентрализованного ИИ.
Также они показали ИИ-модели MedPsy - первое публичное доказательство, что этот стек работает.
Tether говорят что их MedPsy побила MedGemma от Google, но тут надо отметить, что модель от Google мультимодальная, она умеет работать с рентгеном и гистологией. А MedPsy - это только текст.
Если разобраться, то у Tether проведена хорошая инженерная работа, просто другого масштаба, не Google, конечно.
Они не обучали модель с нуля, а взяли готовый Qwen3 маленькие версии на 1.7B и 4B параметров и сделали специализированный посттренинг для медицины.
Главная их ставка - данные. Они сгенерировали 30+ миллионов синтетических обучающих примеров. И для генерации всех reasoning traces выбрали не GPT-4 и не Anthropic, а китайскую специализированную медицинскую модель Baichuan-M3-235B, она лучше всех конкурентов именно по медицинским бенчмаркам.
Второе - сам пайплайн обучения.
Третье - токенная эффективность.
MedPsy-4B отвечает примерно в 3 раза короче, чем исходный Qwen3-4B при тех же или лучших результатах. Для edge-устройств это означает меньше задержку и меньше энергопотребления.
Все это стоило ~ 30К H100 GPU-часов суммарно.
Реальный вклад QVAC - не архитектура и не масштаб, а:
1. качественный синтетический датасет с нестандартной структурой Genesis
2. умный выбор специализированного учителя Baichuan-M3-235B
3. методологически аккуратный многоэтапный RL-пайплайн с DAPO
4. практическая инженерия квантизации для edge-устройств
Это доказывает тезис, который сейчас активно обсуждается в исследовательском сообществе: data quality + post-training recipe могут частично компенсировать разрыв в параметрах, не полностью, но существенно.
Тут Tether - те самые, которые эмитент USDT, выпустили платформу QVAC, в которой ИИ работает локально и собственные медицинские ИИ-модели MedPsy.
QVAC - полный стек для локального ИИ: SDK для разработчиков, движок Fabric, который запускает модели на любом железе через Vulkan, включая мобильные GPU, синтетические датасеты Genesis для обучения, и приложения поверх - Workbench и Health.
То есть Tether строят инфраструктуру для децентрализованного ИИ.
Также они показали ИИ-модели MedPsy - первое публичное доказательство, что этот стек работает.
Tether говорят что их MedPsy побила MedGemma от Google, но тут надо отметить, что модель от Google мультимодальная, она умеет работать с рентгеном и гистологией. А MedPsy - это только текст.
Если разобраться, то у Tether проведена хорошая инженерная работа, просто другого масштаба, не Google, конечно.
Они не обучали модель с нуля, а взяли готовый Qwen3 маленькие версии на 1.7B и 4B параметров и сделали специализированный посттренинг для медицины.
Главная их ставка - данные. Они сгенерировали 30+ миллионов синтетических обучающих примеров. И для генерации всех reasoning traces выбрали не GPT-4 и не Anthropic, а китайскую специализированную медицинскую модель Baichuan-M3-235B, она лучше всех конкурентов именно по медицинским бенчмаркам.
Второе - сам пайплайн обучения.
Третье - токенная эффективность.
MedPsy-4B отвечает примерно в 3 раза короче, чем исходный Qwen3-4B при тех же или лучших результатах. Для edge-устройств это означает меньше задержку и меньше энергопотребления.
Все это стоило ~ 30К H100 GPU-часов суммарно.
Реальный вклад QVAC - не архитектура и не масштаб, а:
1. качественный синтетический датасет с нестандартной структурой Genesis
2. умный выбор специализированного учителя Baichuan-M3-235B
3. методологически аккуратный многоэтапный RL-пайплайн с DAPO
4. практическая инженерия квантизации для edge-устройств
Это доказывает тезис, который сейчас активно обсуждается в исследовательском сообществе: data quality + post-training recipe могут частично компенсировать разрыв в параметрах, не полностью, но существенно.