作者：Endless AI 研究员唐韬

1 . 小参数大语言模型概况

2025 年 4 月 29 日，阿里巴巴宣布开源 Qwen3 系列语言模型，并同期将权重上传至 GitHub 与 Hugging Face 仓库。该系列中参数量最小的模型只有 0.6B 大小，并且在接口层面提供思考功能的开关，这种“单一权重、双运行模式”的设计降低了终端部署门槛，也引起了边缘计算与隐私计算社区对本地化推理方案的关注。

在 Endless Web3 创世云（简称 Endless 协议或 Endless）的链 - 端协同框架中，小型模型被定位为端侧意图识别与工具路由的核心组件；因此，Qwen3-0.6B 的体量和可切换推理机制与 Endless 项目的技术栈具备天然的兼容性，为后续在 PoUW(Proof-of-Useful-Work) 节点和用户设备上的轻量部署提供了可行选项。

本文将针对两者的技术结合进行探讨，讨论小尺寸模型与去中心化智能网络 Endless 进行深度融合与协调的可能，并分享有潜力的使用场景。

总体而言，笔者认为，由于小尺寸模型对算力要求较低，可在端侧进行本地计算。这非常符合去中心化场景对隐私保护的要求，同时又可以结合密码学通过上传哈希等方式，在不暴露隐私与敏感数据的前提下，对工作量进行上传。这样的特征让其与去中心化网络与 Web3 有了充分协作的机会。

2. 透视 Qwen3-0.6B：轻量与深度的平衡术

除了参数规模、层数和上下文窗口等显而易见的指标，Qwen3-0.6B 还在使用范式上带来几项值得注意的变化。

首先，它通过一个简单的是否启动思考的开关，在“推理模式”和“对话模式”之间切换：开启推理后，模型会先输出带 <think> 标签的思考过程，再给出结论；关闭推理时，则直接返回答案。实测显示，在常见边缘设备上，这种切换大约增加几百毫秒延迟，却能显著提升数学运算和代码生成的准确率，而在对话模式下的响应速度仍接近实时交互的需求。

其次，0.6 B 版本把最大上下文长度扩展到 32 k tokens。这一长度足以一次性处理完整的技术文档或长篇合约，减少了在合规审计、跨链交易溯源等场景中反复切分上下文、回传云端的工程开销。

在推理参数方面，官方给出的温度、Top-p 组合已被社区在 vLLM、Ollama、Llama.cpp 等多种框架中反复验证，可在很大程度上避免“幻觉”或“无限重复”等常见问题，降低了部署和调优难度。

综合来看，Qwen3-0.6B 的设计回答了业界“多小的模型才足够实用”这一问题：它在保持端侧可部署的算力要求的同时，也提供了接近中等规模模型的推理能力，处于“刚好跨过智力门槛而未触及硬件天花板”的折中位置。

3. Endless：让智能在链上“有迹可循”

Endless AI 的设计目标，是把生成式 AI 的推理与训练过程放到一个可验证、可激励且数据主权友好的 Web3 运行时中。为此，Endless AI 白皮书将整套架构拆分为互相配合的四个技术层面。最底层的 AI 基础设施层 由经过改造的 AI-Optimized Move VM、全球分布的 GPU/TPU 计算节点和跨链 AI Oracle 组成；计算结果用 BLS12-381 签名等密码学手段验证，外部数据则通过跨链桥安全注入链上。

在基础设施之上的框架层中，Agentic AI 框架为模型提供统一的调用和权限管理。核心组件 Model Context Protocol (MCP) 把合约、外部 API、离链工具封装成标准化接口，使智能体能够在不暴露秘钥的前提下访问实时市场数据、执行 DeFi 操作或生成内容。

框架同样支持多智能体协作：多个自治代理可以通过链上消息达成共识，完成如组合调仓、内容审核等复杂任务。

第三层是 数据与隐私层。Endless 采用零知识证明（ZKP）向外部验证推理结果的正确性，用 KZG 多项式承诺证明训练数据未被篡改，并通过去中心化存储保存加密数据副本。在实际调用中，模型既能获取所需上下文，又不会泄露原始敏感信息。

最外侧是激励层。网络发行的 EDS 代币及可选稳定币 NUSD 用于支付推理费用、结算分润，并通过质押／惩罚维系节点诚实性。Proof-of-Useful-Work (PoUW) 共识把“训练梯度、验证输出”这类对 AI 生态真正有价值的计算作为记账条件，节点完成任务后按贡献领取 EDS；产生错误或恶意输出则面临代币削减。

在这一分层体系中，Qwen3-0.6B 这样的模型可以扮演轻量推理核心的角色。凭借 6 亿参数的体量，它既可以常驻终端设备提供本地低延迟推理，也能部署在 PoUW 节点参与去中心化训练与校验。MCP 为模型接入外部工具和链上合约提供标准通道，链上日志记录每一次调用与贡献，而激励层则依据输出质量向对应节点结算 EDS 奖励或处罚。通过这种方式，模型的行为、数据来源以及经济激励都获得了链上可追溯的闭环。

4. 三个典型交汇场景

Endless AI 提出了若干实际场景以说明轻量模型与去中心化框架在产品侧如何互补。以下三种用例体现了 Qwen3-0.6B 这类小参数的模型在终端推理、链上验证与去中心化训练网络中的不同定位。

Luffa SocialFi——本地生成，链上确权

在去中心化社交平台 Luffa，创作者发布帖文时可以选择先在终端运行小参数规模的模型。模型会依据本地数据生成摘要、情绪标签，并对潜在侵权风险给出提示。完成草稿后，用户可一键将作品及其元数据通过 Model Context Protocol 写入链上，连同零知识证明一起铸造成 NFT。这一流程使内容的原创性、时间戳与所有权在链上得到记录，同时保留端侧隐私控制权。更重的排版或跨链检索任务，则可交由云端较大的模型处理。Endless AI 的白皮书强调，Luffa 通过这种“端侧推理 + 链上存证”的组合，为创作者提供了从生成到分润的完整闭环。

DeFi Agent Swarm——行情识别与链上审计

Endless 在金融子网中计划部署面向交易钱包的 AI 代理集群。Qwen3-0.6B 常驻终端设备，实时分析去中心化交易所的深度和价格波动并进行初步分类；当检测到可能的套利机会时，代理会触发由 8–30 B 级语言模型和 Move 智能合约共同执行的多步脚本。完成交易后，小模型把交易摘要编码为零知识证明上传区块链，以便第三方对资金流向进行审计而不暴露具体策略。Endless AI 白皮书将这一机制称作 “Decentralized Finance Swarms（去中心化金融集群）”，并将其视为提高链上金融透明度与响应速度的核心组件。

PoUW 微调——去中心化的模型演进

在训练层面，Proof-of-Useful-Work (PoUW) 网络把 Qwen3-0.6B 这类小规模模型定义为最小分发单元。参与节点下载官方权重后，可在本地数据上进行 LoRA 或其他轻量微调；节点无需上传原始数据，只需提交梯度哈希和 KZG 承诺，即可通过链上合约领取 EDS 奖励。该设计既利用了终端侧的私有数据扩展模型知识，又通过周度 OTA 更新保持了长尾能力。Endless AI 白皮书指出，这种“隐私保持 - 联邦训练”方式旨在让模型持续改进而不牺牲数据主权。

从以上三个场景可以看出，小规模模型在 Endless 生态内可以被用作通用的轻量智能核心：它在端侧完成实时推理，与 MCP 工具接口对接；在链上留下可验证的交互痕迹；并通过 PoUW 持续获得社区算力与数据的增量改进。这样的角色分工，为终端用户、链上协议和去中心化训练网络之间建立了可追溯、可激励的协作路径。

5. 面向未来：从组件市场到 Agent DAO

Endless AI 的技术路线图在官方白皮书中分为三个阶段，时间跨度大约二十四个月，并对更长期的发展给出了方向。

在第一阶段，项目计划推出一个去中心化的 AI 组件市场。该市场允许开发者将经过预训练或微调的模型（包括 Qwen3-0.6B 为代表的小参数大语言模型）打包为可调用的合约组件，并以 NFT 方式登记其所有权与许可。调用发生时，支付逻辑由链上合约完成，费用以 EDS 或 稳定币 NUSD 结算，组件作者按预设比例自动获得微支付收入。市场侧重提供标准化 SDK 和 MCP 接口，使模型在不同 dApp 之间能够即插即用，从而降低二次集成的门槛。

第二阶段的核心是去中心化训练主网。PoUW 共识将在这一时期全面部署，网络节点通过贡献 GPU/TPU 算力参与模型训练或梯度验证，并据此领取 EDS 奖励。训练流程支持联邦学习和安全聚合，节点只需上传梯度哈希及 KZG 承诺即可完成记账，无需暴露本地数据。官方文档将这一机制定位为“社区梯度共治”，旨在让模型迭代速度与数据覆盖面同时受益，而不用依赖单一中心化团队。

当基础设施和训练网络趋于稳定，路线图进入第三阶段，即构建 去中心化代理集群（Agent Swarm DAO）。按照 Endless AI 白皮书的设想，轻量模型负责本地感知与快速决策，中等规模模型处理复杂逻辑，而 MoE 级别模型执行长周期推演。不同规模的模型作为自治代理在链上协同，利用 wVRF 等共识手段就策略达成一致，并可按需要调用外部工具或合约。这类代理群被期望在 DeFi、游戏经济、内容平台等场景中承担自动化运营与治理职能。

五年以上的长期发展方面，Endless AI 提出了两项方向性目标。其一是 AI-to-AI 合约：代理之间可在链上直接谈判、签订并执行合约，实现跨链、多协议的复杂协作。其二是 抗量子加密迁移：随着量子计算威胁加剧，Endless 计划逐步将核心签名算法、密钥交换协议和与 ZKP 相关的基元升级为后量子方案，以保障网络长期安全性和数据完整性。

综上所述，组件市场为模型商业化奠定基础，PoUW 主网为模型持续进化提供动力，而代理集群与后量子安全方案则指向一个可自我治理、面向未来的去中心化智能网络。

6. 结语：以轻量模型为起点，构建可验证的去中心化智能

Qwen3-0.6B 这类极小规模模型的出现表明，一款语言模型是否具备实用价值，并不完全取决于参数规模；更关键的是它能否在终端和边缘设备上以可接受的延迟完成推理，从而让更多用户和场景实际受益。与此同时，Endless 的链上基础设施为这种“人人可用”的模型提供了配套的可验证运行环境：Model Context Protocol（MCP）为模型调用外部工具、合约和插件建立统一接口，Proof-of-Useful-Work（PoUW）共识将训练和验证过程转换为链上可计价的“有用工作”，而 EDS 代币体系则通过智能合约对正确或高质量的结果进行激励和惩罚，实现价值流动的自动结算。

从技术视角看，小模型的端侧推理能力与去中心化验证 - 激励机制互为补充：前者降低了普及门槛，后者通过可追溯的激励确保了持续改进和数据主权。在这一框架下，用户既能在本地获得低延迟的智能服务，也能通过贡献算力、数据或微调模型参与网络，共享由 EDS 激励驱动的经济收益。这种“轻量推理 + 链上激励”的组合，为 AI 在去中心化场景中的落地提供了可行路径，并为后续的多智能体协作、组件交易市场以及量子抗性升级奠定了基础。