本周四，在Novelty Search上：SN118 Ditto

@heydittoai 正在Bittensor上构建一个开源代理操作系统：为AI代理提供持久记忆、协作工作空间和长期运行的上下文。

加入@const_reborn和Ditto团队，探索SN118的激励机制：矿工在程序生成的记忆和工具使用基准上竞争，验证者确定性重现每一个提交，奖励通过透明、可复现的评估获得。

周四：UTC时间晚上9点 / EDT时间下午5点
通过Bittensor Discord直播。

由@const_reborn主持。

Bittensor 生态系统亮点 :: 2026年7月13日至19日

[ @404gen_ - SN17 ]
404 已生成超过2150万个高保真资产，创建了全球按资产数量计最大的开源3D存储库。
>

[ @redteam - SN61 ]
RedTeam 报告称，其机器人检测率在11个月的实时攻击中从74.3%提升至99.5%。
>

[ @lium_io - SN51 ]
Lium 报告了创纪录的收入和使用量，过去一个月内使用量和GPU供应量均翻了一番以上。
>

Ilium 在部分GPU上推出了机密计算，使用TEE加密数据并限制GPU提供商的访问。
>

[ @LeadpoetAI - SN71 ]
Leadpoet 成为首个宣布进入OKX代理市场的Bittensor子网。
>

[ @bitmind - SN34 ]
BitMind 报告称，其BMF深度伪造检测器在七个公共基准测试中，无需针对特定基准调整，便达到或超过了最强已发表结果。
>

[ @chutes_ai - SN64 ]
Parallax 在廉价且不匹配的GPU上训练了一个200亿参数的模型，性能仅比数据中心基准低约2%。
>

[ @say_gm_ - SN28 ]
Good Morning 在主网上线了GM，提供了基于TEE的API，与现有的OpenAI、Anthropic和Gemini代码兼容。
>

[ @webuildscore - SN44 ]
Score 正在构建接口和API，供用户访问和订阅其计划在SN44上训练的去中心化VLM矿工。
>

[ @b1m_ai - SN105 ]
Beam 在其去中心化带宽网络上，用时3分40秒传输了1.12 TB数据。
>

[ @SwarmSubnet - SN124 ]
Swarm 发布了SOTA Pilot V5，将其矿工竞争扩展至多无人机协调和高速自主拦截。

.@404gen_ 已生成2150万+高保真资产，创建了全球资产数量最大的开源3D存储库。

SN17利用Bittensor矿工以传统管道无法达到的规模生成、评分和筛选3D资产，为更大的世界模型提供所需数据。

Bittensor生态系统亮点 :: 2026年7月6日至12日

[ @chutes_ai - SN64 ]
Chutes通过Parallax在循环模型上实现了完全非阻塞的分布式训练，与集中式训练相比，质量差距保持在0.6%以内。

[ @vidaio_ - SN85 ]
Vidaio推出了Sentinel，这是一款基于其视频压缩引擎构建的监控产品，用于安全录像和闭路电视工作流。
>

Vidaio的压缩模型正在集成到@manakoai中，以便客户可以在边缘视觉工作流中直接降低带宽成本。

[ @SynthdataCo - SN50 ]
Synth发表了其第一篇研究论文，使用SN50作为金融时间序列预测的实时基准，其中包含一个在Synth上微调的Chronos-2模型。

[ @trishoolai - SN23 ]
Trishool发表了完整的HaloGuard 1.0论文，涵盖了其宪法数据管道、基准测试结果、多语言覆盖和红队循环。

[ @webuildscore - SN44 ]
Manako加入了NVIDIA Inception计划。

[ @metanova_labs - SN68 ]
Metanova分享了其2026年上半年更新，NOVA扩展到纳米抗体、更清晰的子网激励、代理工具、与OnePot的机器人合成，以及计划在2026年下半年进行的首次湿实验验证。

[ @redteam - SN61 ]
RedTeam宣布了其迄今为止最大的一轮融资，并与Unsupervised Capital建立了合作伙伴关系。

[ @chronollm - SN38 ]
Crunch推出了ChronoLLM，这是一个时间点模型项目，SN38训练历史检查点，规模扩展到720亿参数。

[ @taodotcom ]
TAO(.)com从根本上重建了其Chrome钱包扩展，用于子网交易。

在大型数据中心之外训练强大的AI模型，需要解决分布式GPU之间复杂的协调问题。

@chutes_ai 刚刚宣布，他们使用Parallax在分布式GPU上训练了一个递归模型，采用完全非阻塞的训练设置，与中心化训练相比，质量差距仅保持在0.6%以内。

完全非阻塞意味着每个GPU持续训练，而无需等待其他GPU完成同步后才继续。

这一点很重要，因为递归模型比Transformer更难在多个GPU上拆分，这使得它成为去中心化训练的一个有力测试案例。

这是Bittensor子网在去中心化AI训练领域取得的又一个具体里程碑。

本周四，在'新奇搜索'中：Bittensor SN54 Yanez。@yanez__ai 展示了#SN54如何使用Bittensor矿工为金融犯罪预防生成合成对抗身份数据，帮助合规团队在犯罪分子之前对制裁筛查、欺诈检测和KYC系统进行压力测试。通过Bittensor Discord加入直播。由@const_reborn主持。