Quasar, la Subnet 24 de Bittensor, desarrolla un mercado descentralizado para entrenar modelos de IA y asegura que puede reducir 99,5% los costos frente a métodos centralizados.
***

• Quasar busca entrenar modelos de contexto largo capaces de manejar aproximadamente 2 millones de tokens o más.
• El proyecto planea ejecutar un entrenamiento descentralizado de 10 billones de tokens, dividido en dos fases de 5 billones.
• La colaboración con las subredes Gradients y Subnet 3 apunta a una mayor integración dentro del ecosistema de Bittensor.

Quasar apuesta por entrenar inteligencia artificial de forma descentralizada en Bittensor

Quasar, que opera como la Subnet 24 dentro de la red Bittensor, desarrolla un mercado abierto para el entrenamiento de modelos de inteligencia artificial. Su propuesta busca trasladar parte del trabajo que hoy realizan grandes centros de datos hacia una red distribuida de mineros independientes.

Según la información publicada por Crypto Briefing, el proyecto afirma que su método puede reducir en 99,5% los costos de preentrenamiento frente a los métodos centralizados tradicionales. La cifra convierte a Quasar en una iniciativa relevante para observar la posible convergencia entre IA descentralizada y tecnología blockchain.

Un mercado abierto para entrenar modelos de IA

El proyecto fue desarrollado por SILX AI bajo el paraguas de SILX Labs. Su objetivo consiste en crear un entorno donde distintos participantes puedan operar y mejorar modelos de inteligencia artificial mediante un sistema de evaluación competitiva.

En este esquema, los mineros independientes presentan mejoras para los modelos disponibles en la red. Los validadores analizan el rendimiento de cada propuesta y determinan qué contribuciones producen avances genuinos.

Los participantes que consiguen mejorar el desempeño del modelo reciben recompensas dentro del sistema. Quienes no aportan mejoras suficientes quedan desplazados por otros mineros con resultados más competitivos.

Este mecanismo intenta resolver uno de los problemas centrales del entrenamiento descentralizado: mantener la calidad cuando el trabajo se distribuye entre numerosos operadores. La competencia funciona como una herramienta para seleccionar las contribuciones con mayor utilidad técnica.

La propuesta también modifica la lógica habitual de la infraestructura de IA. En lugar de concentrar todos los recursos en una sola entidad corporativa, Quasar pretende coordinar capacidad informática distribuida mediante incentivos vinculados al rendimiento.

Para los lectores nuevos en Bittensor, sus subredes funcionan como espacios especializados dentro de una red más amplia. Cada una puede concentrarse en tareas particulares y utilizar mecanismos de incentivos para atraer operadores y validadores.

El objetivo de los modelos de contexto largo

Quasar se enfoca específicamente en los modelos fundacionales de contexto largo. Estos sistemas pueden procesar grandes volúmenes de información dentro de una misma interacción, una capacidad importante para aplicaciones avanzadas de IA.

El equipo apunta a longitudes de contexto de aproximadamente 2 millones de tokens o más. Un token puede representar una palabra, una parte de una palabra o un signo, por lo que esta capacidad permite trabajar con documentos y conjuntos de datos muy extensos.

Para alcanzar ese objetivo, el proyecto utiliza una metodología llamada Quasar Attention. La propuesta se combina con arquitecturas híbridas diseñadas para ampliar las posibilidades del entrenamiento descentralizado.

El enfoque debe resolver una dificultad técnica importante. Los modelos con contextos más extensos suelen demandar mayores recursos de memoria, procesamiento y coordinación, especialmente cuando el entrenamiento no se realiza en un único centro de datos.

La arquitectura Quasar-3B fue lanzada en abril de 2026. Antes de ese lanzamiento, el equipo presentó Quasar-Preview como un punto de control de arquitectura Mixture-of-Experts en Hugging Face.

La eficiencia computacional ocupa un lugar central en esta estrategia. Una arquitectura menos exigente puede facilitar la participación de mineros distribuidos y reducir las barreras para quienes no cuentan con infraestructura comparable a la de los grandes laboratorios.

Sin embargo, la eficiencia por sí sola no demuestra que un modelo descentralizado pueda competir con alternativas centralizadas. El desempeño de Quasar-3B en pruebas de referencia será uno de los elementos que permitirá evaluar la solidez de la propuesta.

Una meta de 10 billones de tokens

Quasar presentó planes para ejecutar una campaña de entrenamiento descentralizado de 10 billones de tokens. El proceso se dividiría en dos fases, con 5 billones de tokens asignados a cada etapa.

La escala anunciada busca colocar al proyecto entre los esfuerzos de entrenamiento más ambiciosos del sector. Como referencia, GPT-3 fue entrenado con aproximadamente 300.000 millones de tokens.

La comparación permite dimensionar la magnitud de la meta. Un recorrido de 10 billones de tokens superaría ampliamente el volumen utilizado para entrenar GPT-3, aunque las arquitecturas, los métodos y los objetivos pueden diferir entre proyectos.

La particularidad de Quasar no está únicamente en la cantidad de datos. El entrenamiento se ejecutaría mediante una red distribuida, en lugar de depender de una sola organización con control exclusivo sobre la infraestructura y el proceso.

La ejecución real del plan será una prueba decisiva para el proyecto. Quasar deberá demostrar que puede coordinar recursos, sostener la calidad de las contribuciones y avanzar de acuerdo con el calendario anunciado.

También será necesario observar cómo los validadores evalúan los resultados durante una operación de semejante escala. Un sistema de recompensas debe distinguir entre mejoras genuinas y aportes que solo generen cambios superficiales en el rendimiento.

El proyecto todavía enfrenta una diferencia entre la ambición anunciada y la evidencia disponible. La existencia de un plan de entrenamiento no garantiza que el recorrido completo se lance ni que alcance los objetivos técnicos planteados.

Colaboración entre subredes de Bittensor

Quasar anunció una colaboración con la Subnet 56, conocida como Gradients, y con la Subnet 3. El acuerdo busca integrar capacidades para el entrenamiento de modelos con contexto largo.

La colaboración se formó alrededor de julio de 2026. Su importancia radica en que muestra cómo las subredes de Bittensor podrían comenzar a operar como componentes conectados, en vez de funcionar únicamente como experimentos aislados.

Una red de subredes especializadas puede repartir distintas tareas entre participantes con capacidades técnicas diferentes. En teoría, esa división permitiría combinar recursos y conocimientos sin concentrar todo el desarrollo en un solo equipo.

La coordinación también introduce nuevos desafíos. Las subredes deben compartir objetivos compatibles, establecer criterios de evaluación útiles y mantener incentivos capaces de favorecer el resultado conjunto.

El modelo de competencia y recompensa sigue siendo central para Quasar. Los mineros presentan mejoras, los validadores las revisan y las recompensas se dirigen hacia quienes generan avances verificables.

Este diseño puede fortalecer la experimentación dentro del ecosistema. Varios participantes tienen incentivos para probar soluciones distintas, mientras la red selecciona las propuestas que mejoren el desempeño observado.

El resultado dependerá de la capacidad de Bittensor para coordinar esos esfuerzos sin perder transparencia ni calidad. La colaboración entre subredes será, por tanto, otro indicador relevante para medir la madurez del proyecto.

Qué deben observar los inversores

Para los inversores interesados en la intersección entre IA y criptomonedas, Quasar representa un caso de prueba. Su evolución puede aportar evidencia sobre la posibilidad de entrenar modelos competitivos mediante infraestructura descentralizada.

El token TAO impulsa la red Bittensor en su conjunto. Si proyectos como la Subnet 24 demuestran resultados sólidos, el interés por la infraestructura y los activos relacionados con el ecosistema podría aumentar.

Ese posible beneficio depende de resultados técnicos, no solo de anuncios. La propuesta deberá mostrar que sus modelos ofrecen un desempeño comparable con alternativas centralizadas en evaluaciones relevantes.

El primer punto de seguimiento será Quasar-3B. Los inversores deberán revisar si sus resultados de referencia se mantienen frente a modelos centralizados comparables y si la arquitectura cumple las expectativas de eficiencia.

El segundo indicador será el entrenamiento de 10 billones de tokens. Será importante verificar si el recorrido se lanza y si progresa de acuerdo con el calendario previsto por el equipo.

También conviene distinguir entre el potencial tecnológico y el rendimiento financiero de TAO. Una mejora en la capacidad de la red no implica automáticamente una variación determinada en el precio del token.

La incertidumbre es especialmente relevante en proyectos que combinan tecnologías emergentes. La IA descentralizada, los mercados de incentivos y los activos digitales todavía deben demostrar su viabilidad a gran escala.

Quasar ofrece una propuesta ambiciosa, pero sus próximos hitos serán más importantes que sus promesas iniciales. La validación técnica, la coordinación entre subredes y la ejecución del entrenamiento definirán su credibilidad dentro de Bittensor.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.

ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín