de
Zurück zur Liste

Tether stellt QVAC Fabric für dezentrales KI-Tuning auf Smartphones vor

source-logo  blockzeit.com 19 März 2026 07:00, UTC
image
  • Tether hat ein bahnbrechendes Upgrade für die QVAC Fabric vorgestellt, das die Möglichkeiten zum Feinabstimmen von KI direkt auf normale Endgeräte wie Smartphones erweitert.
  • Die Plattform macht den Einsatz von GPUs der Enterprise-Klasse und zentralisierten Cloud-Servern bei der Entwicklung und Wartung von KI-Agenten überflüssig und verringert so die Gefährdung der Daten der Nutzer durch Technologieunternehmen.

Tether baut seine dezentrale KI-Infrastruktur (künstliche Intelligenz) auf Endgeräten weiter aus. Kaum ein Jahr, nachdem der Stablecoin-Riese im Mai 2025 den QVAC (QuantumVerse Automatic Computer) vorgestellt hatte, hat er die Funktionen der Plattform für praktischere Anwendungen erweitert.

Tethers QVAC-Fabric-Upgrade

Am Dienstag kündigte Tether ein Upgrade der QVAC-Fabric an, das neue Funktionen integriert, um sie zum weltweit ersten plattformübergreifenden 1-Bit-LLM- (Large Language Model) LoRA- (Low-Rank Adaptation) Fine-Tuning-Framework zu machen. Es erweitert Microsofts hocheffiziente BitNet-Architektur, um die Konfiguration, das Training oder die Inferenz von KI auf alltäglicher Hardware zu ermöglichen, darunter Smartphones, Laptops und Consumer-GPUs (Graphics Processing Units).

Die hocheffizienten, ressourcenschonenden Anpassungsfunktionen des QVAC Fabric machen teure Nvidia-Systeme der Enterprise-Klasse oder Cloud-Infrastruktur beim Training und der Wartung von KI-Modellen überflüssig. Es integriert KI-Entwicklung und -Verwaltung direkt in heterogene Consumer-GPUs, darunter Intel, AMD, Apple Silicon M-Chips und andere. Dadurch erweitert es die Fähigkeiten gewöhnlicher Consumer-Geräte wie Smartphones für verschiedene KI-Anwendungsfälle.

Der Durchbruch ist mit weit verbreiteten und beliebten Consumer-Geräten kompatibel. Dazu gehören iPhones, Samsung Galaxy-Handys, Google Pixel-Handys sowie Desktops und Laptops mit Vulkan- und Metal-basierten Backends.

The era of Stable Intelligence is here 🤖

Tether’s QVAC Fabric just released the world’s first cross-platform 1-bit LLM LoRA fine-tuning framework. QVAC Fabric extends Microsoft's ultra-efficient BitNet architecture, allowing fine-tuning and inference of LLMs directly on your… pic.twitter.com/EjrSWVtCxn

— QVAC (@qvac) March 17, 2026

Warum das wichtig ist

QVAC Fabric nutzt Apache 2.0 auf Hugging Face und ermöglicht so eine Speicherreduzierung von bis zu 90 % sowie eine 2- bis 11-mal schnellere Inferenz, selbst ohne leistungsstarke GPUs. Für Krypto-Anwendungsfälle eröffnet die Infrastruktur neue Möglichkeiten für dezentrale Finanzen (DeFi) und selbstbestimmtes Datenmanagement.

Beispielsweise kann ein KI-Modell, das normalerweise 40 Gigabyte RAM benötigt, jetzt so optimiert werden, dass es auf Hardware mit weniger als 4 GB RAM läuft – was den Spezifikationen von Mittelklasse-Smartphones entspricht

Die Plattform ebnet den Weg für Nutzer, ihre KI-Agenten zu personalisieren, ohne sich zwangsläufig mit zentralisierten Servern verbinden zu müssen. Indem die KI-Agenten vollständig auf tragbarer Hardware laufen, werden Risiken im Zusammenhang mit Datenschutz und zentralisierter Zensur gemindert. Insbesondere verhindert dies, dass die großen Cloud-Anbieter von Big Tech ihre Informationen sammeln, vor allem persönliche Schlüssel, die die Sicherheit ihrer digitalen Währungen gewährleisten.

Paolo Ardoino, CEO von Tether, glaubt, dass KI die treibende Kraft der Zukunft sein wird. Er beschrieb sie als ein Element, das einer Gesellschaft mehr Stabilität, Zusammenhalt und Selbstbestimmung bringen würde.

Darüber hinaus betonte Ardoino, dass die Abhängigkeit von Zentralisierung beim Training von LLMs nur zu einer Stagnation der Innovation führen und das KI-Ökosystem anfälliger machen könne. Indem die Technologie für gewöhnliche Geräte zugänglicher gemacht wird, ermöglicht sie die Demokratisierung von Intelligenz auf globaler Ebene, ganz im Sinne von Tethers „Stable Intelligence“-Roadmap mit dem QVAC.

blockzeit.com