TAO的DeepSeek時刻：Templar (SN3)的崛起

2025年2月3日，一款名為DeepSeek-R1模型悄悄上線了全國超算網路平台。

在隨後的一個月裡，因其性能直接對標頂級閉源模型，和堪比「白菜價」的訓練成本直接席捲了全球。

引發了美股AI股們的暴跌和開啟了屬於中國AI的「DeepSeek」時刻。

2026年3月10日，Bittensor的Subnet 3 Templar，宣布完成了史上規模最大的去中心化大語言模型（LLM）預訓練運行－Covenant-72B

這是史上規模最大的去中心化大語言模型預訓練運行：

72億參數、在約1.1兆token資料集上、完全透過Bittensor Subnet 3 的網路實作、無需許可、超過70個獨立節點自由參與。

Bittensor迎來了屬於自己的DeepSeek時刻。

Templar 的前身為Omega Labs 營運的SN3，早期則著重於多模態資料的收集與挖掘。隨著Bittensor 機制的演進，該子網路完成了從「資料搬運工」向「模型鑄造師」的策略跨越。

目前Templar 定位於全球分散式大模型預訓練基礎架構。它透過激勵機制匯聚全球異質算力，旨在解決大模型訓練中極為昂貴的運算成本與中心化審查問題。 Covenant-72B 的成功交付，驗證了這個去中心化生產模式的成熟度。

Covenant-72B 是Templar 產出的里程碑式成果，也是目前去中心化網路中規模最大的稠密架構預訓練模型。

核心參數：擁有720 億參數，基於高效能DCLM 語料庫進行預訓練。
性能對標：在基礎模型評測中，其表現與Meta 的Llama-2-70B 基本持平。
指令最佳化：經過微調後的Covenant-72B-Chat 在IFEval（指令遵循）和MATH（數學推理）維度上展現出極強的競爭力，甚至在特定指標上超越了同規模的閉源模型。
推理效率：此模型達到了450 tokens/sec 的極高吞吐率，解決了大模型在實際應用中的反應延遲痛點。

在一般網路環境下訓練72B 規模的模型，最大的挑戰在於節點間的通訊頻寬瓶頸。 Templar 採用了核心演算法SparseLoCo 實現了質的突破：

這種技術路徑證明了：即便沒有InfiniBand 等昂貴的專線集群，依靠全球分散式的普通網路同樣可以產出頂級智慧。

Templar 的技術成果引起了主流AI 圈與資本市場的關注：

Anthropic 聯合創辦人Jack Clark 在其分析報告中將Templar 歸類為全球最大的活躍去中心化訓練網絡，並指出其發展速度超出了行業預期。

Jason Calacanis（All-In Podcast主持人、知名矽谷投資者）在最近的部落格中深入介紹了Bittensor的機制，並暗示大家購買

灰階(Grayscale) 持續增持TAO，並將其作為去中心化AI 賽道的核心持倉。

DCG成立了Yuma，專門聚焦於加速Bittensor (TAO) 生態的發展，被視為DCG 對去中心化AI（decentralized AI）最大、最直接的押注。

$TAO : 隨著Templar宣布完成了72B的大模型訓練，TAO在此後上漲超過30%,在BTC的震盪行情中表現出了絕對的強勢。

$Templar (SN-3)：主角Templar 7天內上漲75%，稱為了Bittensor目前捕獲Emission排放的龍一。目前Market Cap僅70m

Templar 的成功為Bittensor 生態打開了全新的想像空間：

打開價值天花板：長期以來，外界質疑Bittensor 只是「空氣激勵」。 Templar 證明了該協議能夠產出具備商業化競爭力的生產力工具，將TAO 的估值邏輯從「敘事驅動」轉向「產品驅動」。
異質算力的潛力：隨著「異構SparseLoCo」的開發，未來消費級顯示卡（如RTX 4090）將能直接參與千億級參數模型的訓練，實現算力資源的平權化。
子網的確定性機會：在dTAO 機制下，像Templar 這種擁有硬核心技術障礙、能夠持續產出高效能模型的子網，其代幣具備極高的長期配置價值。

Templar 目前MC=75m，FDV=350m

而目前主流的大模型公司Open AI 估值8400億、Anthropic 3500億、Minimax 450億。

並不是說Templar能直接對標這些公司，但在當前這個敘事稀缺、注意力消散、人們不再相信去中心化的圈子，Templar的出現無疑為去中心化AI打入了一劑強心劑。