Bittensor 的核心特性
本模块介绍了构成 Bittensor 运作机制的关键组成部分。内容涵盖 Dynamic TAO，它优化了子网的价值评估方式；验证者的角色，他们负责审核 AI 的贡献；以及 commit-reveal 机制，用于防止不诚实的验证行为。同时还探讨了基于共识的权重系统，确保依据表现公平分配奖励。
Dynamic TAO：自适应质押与奖励分配机制
Dynamic TAO 是 Bittensor 在代币经济和治理机制上的一次重大升级，于 2025 年 2 月 13 日在经过深入研发后正式推出。该升级通过为每个子网引入独立的代币——称为 alpha 代币——与主代币 TAO 并行运作，从而实现网络经济模型的去中心化。这一架构使各子网能够独立管理其经济系统，推动 Bittensor 生态系统内的专业化与自治发展。
在 Dynamic TAO 框架中，每个子网维护一个由 TAO 和其对应的 alpha 代币组成的流动性储备。用户可以将 TAO 质押至某个子网的储备中，以换取 alpha 代币，这一过程相当于“投票”认可该子网的价值与表现。TAO 与 alpha 代币之间的兑换比率由储备中两者的数量比例决定，反映出市场对该子网效用和需求的评估。
Dynamic TAO 的发行机制旨在实现奖励的平衡分配。TAO 代币的发放依据各子网 alpha 代币的市场相对价值进行分配。对于 alpha 代币需求与流动性较高的子网，将分配更多 TAO 奖励，从而激励其提供高价值服务并吸引用户。同时，各子网还会以类似 TAO 的减半节奏发行自身的 alpha 代币，以确保代币供应的增长稳定且可预测。
在子网内部，alpha 代币的分配结构设计旨在激励多方参与。每个子网每个区块最多可发行一个 alpha 代币，其分配方式为：18% 分配给子网所有者，41% 分配给验证者，41% 分配给矿工。
为防止 alpha 代币价格遭受操控，Dynamic TAO 采用恒定乘积自动化做市商（AMM）模型。在该机制下，相对于资金池规模的大额交易会导致较高的滑点成本，从而使操纵价格在经济上变得不可行。举例来说，若有人试图在池中购买大量 alpha 代币，代币价格将显著上升，从而抑制了人为炒高或压低价格的行为。
Bittensor 引入了随机排序确认（Random Order Finalization）机制，以提升交易处理的公平性。该机制会对每个区块中的交易顺序进行随机化，防止某些参与者通过抢先交易（front-running）等方式获取不正当优势。由此，所有参与者均能享有公平机会，网络整体也保持了交易环境的公正性。
Subnet Zero，也被称为根子网，在 Dynamic TAO 架构中具有特殊的地位。它没有独立的 alpha 代币，也不承载挖矿或验证操作。但验证者可以在根子网中注册，TAO 持有者也可以质押至这些验证者，实现与具体子网无关的质押方式。该设计为网络参与者提供了更高的灵活性，使他们无需绑定至特定子网，便可支持整个网络，从而适配 Bittensor 生态中多元化的策略与偏好。
Validation in Bittensor：对 AI 贡献进行排名
验证者负责审核 AI 模型的工作成果，确保网络能够奖励有价值的贡献。他们扮演质量审查员的角色，评估 AI 生成内容的准确性和实用性。验证者打出的分数决定了每位 AI 贡献者能获得多少 TAO 代币。
要成为验证者，参与者必须满足若干条件。首先，他们需在所选子网内完成注册并获得唯一 ID。随后，必须质押至少 1,000 枚 TAO，并在该子网内跻身前 64 名验证者。设定这些条件旨在确保只有投入度高、能力强的验证者能参与其中。
验证者若符合各子网的要求，可在多个子网中开展工作。他们还可以吸引其他用户代为质押 TAO，这意味着表现优异、在社区中赢得信任的验证者能够获得更多网络参与者的支持。
该系统鼓励验证者诚实高效地执行职责。如果他们持续提供有价值的评估，将获得更多 TAO 奖励；反之，若试图操控系统或提交劣质评价，则可能面临奖励减少的风险。
Commit-Reveal 机制：确保子网操作的公平性
Bittensor 采用 commit-reveal 机制，防止验证者抄袭他人评分而非进行独立评估。由于验证者的评分直接决定了 AI 贡献者的 TAO 奖励，一些验证者可能会想投机取巧，通过等待他人提交评分后再进行跟随提交，从而扰乱公平性。
为防止此类行为，网络要求验证者首先以加密形式提交评分，从而隐藏实际评分内容。在短暂的等待期后，他们必须公开已分配的真实分数。由于存在时间延迟，验证者无法简单抄袭他人的评分，从而确保所有评分是独立且公正的。
此机制的时机安排必须精确。如果等待时间太短，不诚实的验证者仍可能找到作弊方式；若过长，则可能影响网络运行效率。Bittensor 允许子网所有者设定合适的延迟，以在保证系统安全的同时维持流畅运行。
Commit-reveal 过程还与新参与者加入网络的方式相关联。新加入的 AI 模型和验证者在表现不佳被移除前会有一个宽限期。commit-reveal 的等待时间必须始终短于此宽限期，确保参与者在其评分被揭示前不会被不公正地移除。
Consensus-Based Weights：透明的奖励机制
在 Bittensor 中，基于共识的权重机制决定了验证者因评估 AI 模型而获得的奖励。该机制不依赖固定公式，而是根据所有验证者的集体判断动态调整。验证者会根据 AI 模型的表现打分，这些分数被称为“权重”。验证者的评分越贴近整体网络的共识，他们获得的奖励就越多；反之，若评分经常偏离共识，其影响力和奖励都会下降。这种机制有效抑制了随意或偏颇的评分，确保表现最佳的 AI 模型能够被准确识别并获得应有奖励。
为了更好地理解该系统，可以将其类比为一组评委在为比赛打分。如果多数评委打出高分，而某位评委无故打出低分，那么这位评委的评分就会被视为不可靠。随着时间推移，他对最终评分的影响力会不断降低。在 Bittensor 中也同样如此：若验证者的评估结果长期与大多数有经验的验证者趋于一致，他们就能保持较强影响力并获得更多奖励；而若试图操纵评分或持续做出错误判断，其网络权重将逐渐下降。
以往，验证者的奖励依据结合历史和当前表现的公式进行计算。这意味着一旦建立了良好记录，即便后续评估质量下降，验证者仍能继续获利。而如今，基于共识的机制用实时调整方式取代了这一模式。验证者的有效性不再仅由过往表现决定，而是取决于其当前对 AI 模型的评估是否准确。这种机制构建了一个更具动态性的系统，要求验证者持续输出优质评估，方能维持自身收益。
在这样的系统下，可能会出现验证者互相抄袭评分、逃避独立评估的现象。为防止这种行为，Bittensor 引入了 commit-reveal 机制。验证者需先提交加密后的评分，在一段设定时间后才公开。这一机制防止验证者等待他人提交后再照搬评分，从而强制他们进行独立判断。这种设计保障了评估过程的公正性，也确保奖励归属于真正付出努力的验证者，而非试图投机取巧者。
系统的另一关键要素是验证者影响力随时间的增长机制。验证者会与他们认为优秀的 AI 模型建立“绑定”关系，随着持续做出正确评估，这种绑定关系将逐步增强。绑定强度决定了验证者从所支持模型的成功中获得的收益。如果验证者能够持续在早期识别出高质量模型，其奖励将随着这些模型获得认可而逐步累积；反之，若频繁误判，影响力将减弱，收益也会随之减少。
子网所有者可通过调整名为 liquid_alpha_enabled 的设置来控制系统的松紧程度。该参数决定验证者的影响力在响应网络共识时变化的速度。若设置较高，频繁与共识一致的验证者将更快提升影响力，而偏离共识的验证者会更快失去影响力；若设置较低，则系统更为宽容，允许验证者有更大空间去培养判断力。这一机制赋予子网所有者灵活性，可根据子网需求细化系统的公平性与响应能力。
该机制确保了那些认真评估、深思熟虑的验证者能够获得合理回报。相比容易被滥用或过时的固定公式，这一实时系统确保奖励始终基于持续的准确性与参与度。那些试图操控系统或走捷径的验证者将逐渐失去影响力，而真正提供高质量评估的验证者则能获得长期回报。
亮点
- Dynamic TAO 通过将决策权分散至整个网络，重塑了子网的价值评估机制。
- 验证者审核 AI 输出质量，并决定 TAO 奖励的分配方式。
- Commit-reveal 防止验证者互相抄袭评分，保障评估过程的诚实性。
- 基于共识的权重机制通过实时排名调整，提高验证者奖励的公平性。
- 各项机制协同运作，共同构建了一个透明、竞争性强、去中心化的 AI 生态系统。
Bittensor 的核心特性
本模块介绍了构成 Bittensor 运作机制的关键组成部分。内容涵盖 Dynamic TAO，它优化了子网的价值评估方式；验证者的角色，他们负责审核 AI 的贡献；以及 commit-reveal 机制，用于防止不诚实的验证行为。同时还探讨了基于共识的权重系统，确保依据表现公平分配奖励。
Dynamic TAO：自适应质押与奖励分配机制
Dynamic TAO 是 Bittensor 在代币经济和治理机制上的一次重大升级，于 2025 年 2 月 13 日在经过深入研发后正式推出。该升级通过为每个子网引入独立的代币——称为 alpha 代币——与主代币 TAO 并行运作，从而实现网络经济模型的去中心化。这一架构使各子网能够独立管理其经济系统，推动 Bittensor 生态系统内的专业化与自治发展。
在 Dynamic TAO 框架中，每个子网维护一个由 TAO 和其对应的 alpha 代币组成的流动性储备。用户可以将 TAO 质押至某个子网的储备中，以换取 alpha 代币，这一过程相当于“投票”认可该子网的价值与表现。TAO 与 alpha 代币之间的兑换比率由储备中两者的数量比例决定，反映出市场对该子网效用和需求的评估。
Dynamic TAO 的发行机制旨在实现奖励的平衡分配。TAO 代币的发放依据各子网 alpha 代币的市场相对价值进行分配。对于 alpha 代币需求与流动性较高的子网，将分配更多 TAO 奖励，从而激励其提供高价值服务并吸引用户。同时，各子网还会以类似 TAO 的减半节奏发行自身的 alpha 代币，以确保代币供应的增长稳定且可预测。
在子网内部，alpha 代币的分配结构设计旨在激励多方参与。每个子网每个区块最多可发行一个 alpha 代币，其分配方式为：18% 分配给子网所有者，41% 分配给验证者，41% 分配给矿工。
为防止 alpha 代币价格遭受操控，Dynamic TAO 采用恒定乘积自动化做市商（AMM）模型。在该机制下，相对于资金池规模的大额交易会导致较高的滑点成本，从而使操纵价格在经济上变得不可行。举例来说，若有人试图在池中购买大量 alpha 代币，代币价格将显著上升，从而抑制了人为炒高或压低价格的行为。
Bittensor 引入了随机排序确认（Random Order Finalization）机制，以提升交易处理的公平性。该机制会对每个区块中的交易顺序进行随机化，防止某些参与者通过抢先交易（front-running）等方式获取不正当优势。由此，所有参与者均能享有公平机会，网络整体也保持了交易环境的公正性。
Subnet Zero，也被称为根子网，在 Dynamic TAO 架构中具有特殊的地位。它没有独立的 alpha 代币，也不承载挖矿或验证操作。但验证者可以在根子网中注册，TAO 持有者也可以质押至这些验证者，实现与具体子网无关的质押方式。该设计为网络参与者提供了更高的灵活性，使他们无需绑定至特定子网，便可支持整个网络，从而适配 Bittensor 生态中多元化的策略与偏好。
Validation in Bittensor：对 AI 贡献进行排名
验证者负责审核 AI 模型的工作成果，确保网络能够奖励有价值的贡献。他们扮演质量审查员的角色，评估 AI 生成内容的准确性和实用性。验证者打出的分数决定了每位 AI 贡献者能获得多少 TAO 代币。
要成为验证者，参与者必须满足若干条件。首先，他们需在所选子网内完成注册并获得唯一 ID。随后，必须质押至少 1,000 枚 TAO，并在该子网内跻身前 64 名验证者。设定这些条件旨在确保只有投入度高、能力强的验证者能参与其中。
验证者若符合各子网的要求，可在多个子网中开展工作。他们还可以吸引其他用户代为质押 TAO，这意味着表现优异、在社区中赢得信任的验证者能够获得更多网络参与者的支持。
该系统鼓励验证者诚实高效地执行职责。如果他们持续提供有价值的评估，将获得更多 TAO 奖励；反之，若试图操控系统或提交劣质评价，则可能面临奖励减少的风险。
Commit-Reveal 机制：确保子网操作的公平性
Bittensor 采用 commit-reveal 机制，防止验证者抄袭他人评分而非进行独立评估。由于验证者的评分直接决定了 AI 贡献者的 TAO 奖励，一些验证者可能会想投机取巧，通过等待他人提交评分后再进行跟随提交，从而扰乱公平性。
为防止此类行为，网络要求验证者首先以加密形式提交评分，从而隐藏实际评分内容。在短暂的等待期后，他们必须公开已分配的真实分数。由于存在时间延迟，验证者无法简单抄袭他人的评分，从而确保所有评分是独立且公正的。
此机制的时机安排必须精确。如果等待时间太短，不诚实的验证者仍可能找到作弊方式；若过长，则可能影响网络运行效率。Bittensor 允许子网所有者设定合适的延迟，以在保证系统安全的同时维持流畅运行。
Commit-reveal 过程还与新参与者加入网络的方式相关联。新加入的 AI 模型和验证者在表现不佳被移除前会有一个宽限期。commit-reveal 的等待时间必须始终短于此宽限期，确保参与者在其评分被揭示前不会被不公正地移除。
Consensus-Based Weights：透明的奖励机制
在 Bittensor 中，基于共识的权重机制决定了验证者因评估 AI 模型而获得的奖励。该机制不依赖固定公式，而是根据所有验证者的集体判断动态调整。验证者会根据 AI 模型的表现打分，这些分数被称为“权重”。验证者的评分越贴近整体网络的共识，他们获得的奖励就越多；反之，若评分经常偏离共识，其影响力和奖励都会下降。这种机制有效抑制了随意或偏颇的评分，确保表现最佳的 AI 模型能够被准确识别并获得应有奖励。
为了更好地理解该系统，可以将其类比为一组评委在为比赛打分。如果多数评委打出高分，而某位评委无故打出低分，那么这位评委的评分就会被视为不可靠。随着时间推移，他对最终评分的影响力会不断降低。在 Bittensor 中也同样如此：若验证者的评估结果长期与大多数有经验的验证者趋于一致，他们就能保持较强影响力并获得更多奖励；而若试图操纵评分或持续做出错误判断，其网络权重将逐渐下降。
以往，验证者的奖励依据结合历史和当前表现的公式进行计算。这意味着一旦建立了良好记录，即便后续评估质量下降，验证者仍能继续获利。而如今，基于共识的机制用实时调整方式取代了这一模式。验证者的有效性不再仅由过往表现决定，而是取决于其当前对 AI 模型的评估是否准确。这种机制构建了一个更具动态性的系统，要求验证者持续输出优质评估，方能维持自身收益。
在这样的系统下，可能会出现验证者互相抄袭评分、逃避独立评估的现象。为防止这种行为，Bittensor 引入了 commit-reveal 机制。验证者需先提交加密后的评分，在一段设定时间后才公开。这一机制防止验证者等待他人提交后再照搬评分，从而强制他们进行独立判断。这种设计保障了评估过程的公正性，也确保奖励归属于真正付出努力的验证者，而非试图投机取巧者。
系统的另一关键要素是验证者影响力随时间的增长机制。验证者会与他们认为优秀的 AI 模型建立“绑定”关系，随着持续做出正确评估，这种绑定关系将逐步增强。绑定强度决定了验证者从所支持模型的成功中获得的收益。如果验证者能够持续在早期识别出高质量模型，其奖励将随着这些模型获得认可而逐步累积；反之，若频繁误判，影响力将减弱，收益也会随之减少。
子网所有者可通过调整名为 liquid_alpha_enabled 的设置来控制系统的松紧程度。该参数决定验证者的影响力在响应网络共识时变化的速度。若设置较高，频繁与共识一致的验证者将更快提升影响力，而偏离共识的验证者会更快失去影响力；若设置较低，则系统更为宽容，允许验证者有更大空间去培养判断力。这一机制赋予子网所有者灵活性，可根据子网需求细化系统的公平性与响应能力。
该机制确保了那些认真评估、深思熟虑的验证者能够获得合理回报。相比容易被滥用或过时的固定公式，这一实时系统确保奖励始终基于持续的准确性与参与度。那些试图操控系统或走捷径的验证者将逐渐失去影响力，而真正提供高质量评估的验证者则能获得长期回报。
亮点
- Dynamic TAO 通过将决策权分散至整个网络，重塑了子网的价值评估机制。
- 验证者审核 AI 输出质量，并决定 TAO 奖励的分配方式。
- Commit-reveal 防止验证者互相抄袭评分，保障评估过程的诚实性。
- 基于共识的权重机制通过实时排名调整，提高验证者奖励的公平性。
- 各项机制协同运作，共同构建了一个透明、竞争性强、去中心化的 AI 生态系统。