Tether Treasury en la red Tron agrega la emisión de 1,000 millones de USDT

Tether Lanza Marco BitNet LoRA Multiplataforma para Entrenamiento de IA en Dispositivos de Consumidor

La división QVAC de Tether anunció el 17 de marzo de 2026 el lanzamiento del primer marco de ajuste fino LoRA multiplataforma del mundo para los modelos BitNet de Microsoft (1-bit LLMs), permitiendo el entrenamiento e inferencia de IA de parámetros de miles de millones en GPUs de consumidor y teléfonos inteligentes.

Tether lanza marco de entrenamiento de IA para teléfonos inteligentes y GPU de consumo

Tether ha lanzado un nuevo marco de entrenamiento de IA que permite el ajuste fino de modelos de lenguaje grandes en dispositivos de consumo como smartphones y GPU que no son de Nvidia. Utilizando la arquitectura BitNet de Microsoft y técnicas LoRA, ofrece reducciones significativas en costos de memoria y computacionales, compatible con varios chipsets. Este avance se alinea con la tendencia de empresas de criptomonedas expandiéndose hacia infraestructura de IA e informática.

Gate Informe Diario (18 de marzo): SEC y CFTC aclaran que la mayoría de tokens no son valores; Tether lanza nuevo marco de IA

El precio de Bitcoin oscila alrededor de 74,140 dólares estadounidenses. La SEC y CFTC de Estados Unidos han publicado nuevas directrices que especifican que la mayoría de las criptomonedas no son valores, proporcionando orientación clara al mercado. Tether lanzó un marco de ajuste fino de IA. El mercado continúa monitoreando el impacto de las altas tasas de interés y la geopolítica en la economía.

¡La IA ya no es patente de los gigantes tecnológicos! Tether lanza QVAC, ¿ha llegado el momento en que todos tengan un LLM?

Tether anunció que su infraestructura de IA QVAC Fabric lanzó el primer marco de ajuste fino BitNet LoRA compatible con múltiples plataformas a nivel mundial, permitiendo el entrenamiento de modelos de lenguaje grande en hardware de nivel de consumidor. Esta tecnología permite que dispositivos como teléfonos inteligentes completen ajustes finos de modelos, reduciendo significativamente los costos de desarrollo de IA, descentralizando la IA, y permitiendo su uso en cualquier momento y lugar en el futuro.