质量证明：区块链上无需信任的生成式人工智能模型推理的无成本范式

质量证明：区块链上无需信任的生成式人工智能模型推理的无成本范式 Proof of Quality: A Costless Paradigm for Trustless Generative AI Model Inference on Blockchains

页面：12,作者/机构:暂无

简介:这份报告深入探讨了如何利用“质量证明”（PoQ）的新方法解决生成式 AI 模型在区块链部署中遇到的挑战。不同于传统的 PoW 和 PoS, PoQ 专注于评估生成内容的质量，通过多个评估者对输出质量的共识来验证结果。此方法高效、可扩展，并确保了区块链环境中 AI 模型推理的可靠性和可信度。

报告重点

PoQ 评估方法: PoQ 不依赖于对模型输出的直接验证，而是依赖于多个评估者对输出质量的共识，利用了高质量输出更容易达成共识的特性，实现了高效且可扩展的评估。
PoQ 的优势: PoQ 具备无需信任、高效性、可扩展性等优势，能够将验证时间缩短几个数量级，适用于处理大量用户和复杂的生成式 AI 模型。
三种推理模式比较: 报告对比了标准推理、ZKML 和基于质量评估的推理 (PQI) 三种模式，突出了 PQI 将质量评估从模型中分离的优势，使其更灵活且易于适应不同应用场景。
PQML 框架: 为优化 LLMs 推理过程，报告提出了 PQML 框架，通过基于能量的调度算法和贪心算法策略，解决了响应时间和确定性节点选择两大挑战，提升了推理效率并确保了结果质量。
LLMs 性能评估: 报告采用三种测试集和多种指标 (准确率、ROUGE 分数、BLEU 分数) 对 LLMs 在问答、文本摘要和机器翻译任务上的性能进行了全面评估，结果显示 LLMs 在多个 NLP 任务中表现出色，具有巨大应用潜力。

参考图示

下载链接

扫描二维码关注微信，回复报告或者 baogao ，即可获取密码