mit wenig Aufmerksamkeit.
0G sagt, es habe bereits vor einigen Monaten eine wichtige Grenze überschritten. Nun trainiert das Unternehmen dasselbe Modell erneut, diesmal öffentlich. Ziel ist, zu zeigen, was dezentrale KI tatsächlich leisten kann und warum das frühere Ergebnis mehr Beachtung verdient hätte.
Im Juli 2025 hat 0G zusammen mit China Mobile ein Modell mit 107 Milliarden Parametern namens DiLoCoX-107B trainiert. Die Forschung wurde danach nach Peer Review auf arXiv veröffentlicht. Laut dem Papier erzielte das System eine 357-mal bessere Kommunikationseffizienz als herkömmliche AllReduce-Methoden. Trotzdem fand dieses Ergebnis kaum Beachtung auf dem Markt.
Das Team sagt, der Zeitpunkt habe ungünstig gelegen. Mitte 2025 lag das Krypto-Interesse hauptsächlich auf Mainnet-Starts und Token-Narrativen, während technische Ergebnisse weniger Interesse geweckt haben. Die Arbeit war ernsthaft, aber sie erhielt kaum Aufmerksamkeit außerhalb eines kleinen Kreises von Experten auf diesem Gebiet.
Jetzt, da dezentrale KI wieder im Fokus steht, möchte 0G dieses Ergebnis erneut in den Vordergrund rücken.
Öffentliche Weiterbildungsinitiative
Diesmal macht das Unternehmen den Retraining-Prozess öffentlich sichtbar.
0G plant, jeden Schritt zu dokumentieren, darunter Kontrollpunkte, Konvergenzmetriken und die Herkunft der Daten. Außerdem wird angegeben, dass der Vorgang mithilfe von Trusted Execution Environments und zerogAuth verifiziert wird. Nach Abschluss der Arbeit werden die Modellgewichte als Open Source veröffentlicht.
Schließlich möchte 0G zeigen, dass dezentrale KI auditierbar, reproduzierbar und überprüfbar ist, wie es bei geschlossenen Systemen meist nicht möglich ist.
Mehr als ein Wettlauf um Parameter
Viele Berichte über KI beschäftigen sich nach wie vor mit der Anzahl an Parametern. Größere Zahlen ziehen Aufmerksamkeit auf sich, doch 0G argumentiert, dass der eigentliche Wert eines Modells aus dem Gesamtsystem rund um das Modell entsteht.
Für das Team beginnt der eigentliche Test beim Training und reicht über die Verifizierung, Speicherung und den Einsatz bis hin zur Integration in fertige Produkte.
Einer der wichtigsten technischen Punkte ist die Kommunikationseffizienz. DiLoCoX setzt auf Pipeline-Parallelisierung, eine doppelte Optimierungsstrategie für lokale und globale Updates, einen One-Step-Delay-Overlap-Mechanismus sowie adaptive Gradientenkomprimierung. Einfach gesagt, verringert dieses Design die notwendige Kommunikation beim verteilten Training, das häufig den Flaschenhals bildet.
0G integriert das Modell zudem in einen vollständigen Stack mit Onchain-Verifizierung, dezentraler Speicherung, Datenverfügbarkeit, Inferenz und Settlement. Das Ergebnis ist eine Arbeitsumgebung, kein einmaliger Forschungsprototyp.
Verifizierung ist ein weiterer wichtiger Punkt. Dank Trusted Execution Environments können Nutzer nicht nur die Existenz des Modells prüfen, sondern auch nachvollziehen, wie es trainiert wurde und welche Daten in den Prozess eingeflossen sind. Für dezentrale KI ändert das das Vertrauensmodell wesentlich.
Die wahre Entwicklung betrifft Bandbreite
Nach Angaben von 0G war der wichtigste Teil des DiLoCoX-107B-Ergebnisses die Art und Weise, wie das Modell trainiert wurde.
Das Team sagt, das 107B-Modell lief über gewöhnliche Internetverbindungen mit einem Gigabit pro Sekunde und nicht über spezialisierte Rechenzentren. Damit widerspricht das Projekt einer der größten Annahmen in der KI: dass Spitzen-Training seltene und teure Netzwerke erfordert.
Wenn sich das längerfristig bestätigt, könnte der Einfluss erheblich sein. Niedrigere technische Anforderungen erlauben deutlich mehr Teilnehmern den Zugang, von Forschungsgruppen bis zu Unternehmen und öffentlichen Institutionen. In diesem Szenario wird Koordination zur Hauptaufgabe, und genau für solche Herausforderungen sind dezentrale Systeme geschaffen.
Ein anderes Kostenmodell
0G sagt außerdem, dass das eigene System die Kosten um etwa 95% gegenüber zentralisierten Alternativen reduziert.
Das Unternehmen führt diese Einsparung nicht auf günstigere Hardware, sondern auf die Abschaffung teurer zentraler Strukturen zurück. Sollten diese Zahlen im Praxiseinsatz Bestand haben, könnten fortgeschrittene Modell-Trainings für viele weitere Organisationen möglich werden, darunter Universitäten, Unternehmen und Regierungen ohne das Budget für Hyperscale-KI-Ausgaben.
Das könnte grundlegend ändern, wer künftig ernsthafte Modelle entwickeln kann.
Kann dezentrale KI mithalten?
Skeptiker haben lange behauptet, dass dezentrale KI bei der Leistung nicht mithalten kann. 0G ist der Meinung, dass diese alte Abwägung inzwischen an Bedeutung verliert.
Mit besseren Ergebnissen und sinkenden Kosten verschiebt sich die Diskussion von Ideologie hin zu tatsächlicher Leistung. Kann das System starke Modelle zuverlässig trainieren, sie verifizieren und das zu einem Preis, den mehr Teams bezahlen können?
Offene Teilnahme birgt aber weiterhin Risiken. Verteiltes Training kann Systeme für Datenmanipulation, fehlerhafte Gradienten und schwankende Beitragsqualität anfällig machen. 0G begegnet diesen Problemen durch technische Schutzmechanismen, Anomalieerkennung und kryptografische Prüfung.
Das Ziel sei nicht absolute Sicherheit, sondern, Fehler sichtbar und nachvollziehbar zu machen.
Was verifizierbare KI wirklich bedeutet
Für 0G bedeutet verifizierbare KI, Vertrauen durch Kontrolle zu ersetzen und nicht mehr durch Reputation.
Statt sich allein auf Aussagen eines Anbieters zu verlassen, bekommen Nutzer die Möglichkeit, selbst nachzuvollziehen, wie ein Modell trainiert wurde und wie es arbeitet. Diese Transparenz ist besonders relevant für sensible Bereiche, etwa im Finanzwesen, im Gesundheitswesen oder bei Behörden.
Gerade hier hebt sich dezentrale KI ab: Menschen können diese Systeme prüfen, anstatt ihnen einfach zu vertrauen.
Vom Forschungsprototyp zum funktionierenden System
Das Feld der dezentralen KI hat sich in kurzer Zeit stark entwickelt. Erste Proof-of-Concept-Modelle weichen jetzt Systemen, die Training, Verifizierung, Speicherung, Inferenz und Settlement gemeinsam abbilden.
0G will mit DiLoCoX-107B ein Zeichen dieses Fortschritts setzen. Das öffentliche Retraining ist daher ebenso ein Beweis für den Prozess wie für die Leistung. Das Unternehmen möchte zeigen, dass dezentrale KI ernsthafte Modelle liefern und dabei offen für Kontrolle bleiben kann.
Ausblick: Was als Nächstes kommt
Größere Modelle sind bereits absehbar. 0G geht davon aus, dass Modelle mit hunderten Milliarden, später sogar Billionen Parametern, erreichbar sind.
Der nächste Schritt hängt weniger von einem großen wissenschaftlichen Durchbruch ab, sondern eher von besserer Koordination und stärkerer Netzwerkbeteiligung. In dezentralen KI-Projekten wird Organisation ebenso wichtig sein wie Rechenleistung.
Das erneute Training von DiLoCoX-107B ist ein Versuch, eine Diskussion wieder aufzunehmen, die 0G zufolge der Markt beim ersten Mal übersehen hat. Zudem ist es ein Test, ob eine offene, überprüfbare KI durch Ergebnisse und nicht durch Hype Aufmerksamkeit gewinnen kann.
Zurzeit setzt das Unternehmen darauf, dass öffentliches erneutes Training, transparente Dokumentation und offener Zugang der dezentralen KI in der nächsten Wettbewerbsrunde zu einer besseren Position verhelfen.
