NEAR użył DeepSeek do rozwiązania 600 zadań matematycznych, dążąc do obniżenia kosztów audytu kodu on-chain do „cen jak za kapustę”

Autor: Changan, Deep Tide TechFlow

Przegląd Deep Tide: 672 zadania z północnoamerykańskiego, elitarnego konkursu matematycznego dla studentów zostały w całości rozwiązane przez zespół NEAR AI przy użyciu Agenta. Całkowity koszt wyniósł około 111 dolarów, średnio 0,17 dolara za zadanie. Zespół NEAR AI wykorzystał chiński, open-source'owy model DeepSeek V4 do realizacji tego testu. To nie jest zwykłe współzawodnictwo inteligencji modeli – za rachunkiem za moc obliczeniową stoi infrastrukturalny biznes, który ma na celu upowszechnienie kosztownej „formalnej weryfikacji” inteligentnych kontraktów.

Dane testowe z open-source'owej bazy kodu obnażyły faktyczny koszt rozwiązywania zadań za pomocą dużych modeli.

Ostatnio, według danych przekazanych przez współzałożyciela NEAR Protocol, Alexa Skidanova, oraz oficjalnych kanałów, Agent NEAR AI rozwiązał wszystkie 672 zadania matematyczne z PutnamBench.

Dla tych, którzy nie znają tematu: PutnamBench to nie jest zwykła baza pytań, lecz zestaw zadań powstały na podstawie północnoamerykańskiego, prestiżowego konkursu matematycznego dla studentów (William Lowell Putnam) i wykorzystywany jako test referencyjny.

Mówiąc prościej, chodzi o to, by AI przeprowadzała ścisłe rozumowania matematyczne, sprawdzając, czy potrafi samodzielnie rozwiązywać zadania. Na rozwiązanie wszystkich zadań NEAR AI wydał ok. 111,85 dolara, czyli średni koszt pojedynczego zadania to 0,17 dolara.

Dla porównania, rachunki za inne rozwiązania, które również osiągnęły maksymalny wynik, były znacznie wyższe.

Zgodnie z danymi zebranymi przez MSBIntel, wykorzystanie GPT-5.6 od OpenAI to średni koszt aż 44,5 dolara za zadanie, a przy Claude Opus 5 od Anthropic – 3,52 dolara za każde zadanie.

W tym konkretnym teście NEAR zastosował DeepSeek V4, redukując koszty do jednej dwieście pięćdziesiątej tych generowanych przez GPT-5.6.

Publiczna blockchain rozwiązuje matematyczne zadania – prawdziwe intencje są gdzie indziej

Zespoły blockchainowe angażujące się w rozwiązywanie matematycznych zadań nie celują w sektor edukacyjny.

Kluczowym wymogiem testu PutnamBench jest weryfikowalność przez maszyny: odpowiedzi generowane przez AI to nie tylko tekst, ale przede wszystkim ścisły kod dowodowy napisany w Lean 4 (popularny język asystenta dowodów matematycznych).

Kod nie może mieć luk składniowych ani pomijać etapów rozumowania, a maszyna musi go zweryfikować w 100%. W informatyce odpowiada to kluczowej technologii zwanej formalną weryfikacją.

W kontekście branży krypto: inteligentne kontrakty obsługują środki rzędu setek milionów, a nawet miliardów dolarów. Klasyczny audyt kodu polega na ręcznym wyszukiwaniu błędów, natomiast formalna weryfikacja pozwala matematycznie udowodnić, linia po linii, że kod nie zawiedzie w żadnej możliwej sytuacji.

Przez długi czas podstawową wadą formalnej weryfikacji były wysokie koszty i powolność – wymagała najlepszych ekspertów do spraw bezpieczeństwa i długiego czasu realizacji, więc na taki proces stać było wyłącznie największe projekty z grubym portfelem.

Test NEAR AI udowodnił, że generowanie masowych i wiarygodnych matematycznych dowodów przy użyciu open-source'owych modeli AI jest wykonalne i tanie.

Powszechna infrastruktura na rzecz bezpieczeństwa on-chain

Obniżenie progu wejścia do formalnej weryfikacji do poziomu kilkudziesięciu groszy to właśnie realny kierunek działań NEAR.

Aktualnie cały kod integrujący DeepSeek i Lean 4 został w pełni udostępniony w formie open source. Kolejny krok – według NEAR – to bezpośrednie zastosowanie tego taniego narzędzia do formalnej weryfikacji samego protokołu NEAR oraz kluczowych kontraktów smart.

Możesz więc potraktować to jako demokratyzację technologii – lub, mówiąc bardziej potocznie, dowód na to, że projekt dostarcza realne rozwiązania w kontekście AI.

Gdyby open-source'owa AI konsekwentnie generowała weryfikowalny przez maszyny kod zapewniający bezpieczeństwo, w przyszłości także zwykli deweloperzy i małe zespoły mogliby za bezcen przeprowadzać formalną weryfikację przed wdrożeniem kontraktu, radykalnie obniżając ryzyko awarii.

Obiektywnie rzecz biorąc, nie ma to bezpośredniego wpływu na krótkoterminową cenę tokena NEAR. Jednak w wewnętrznej rywalizacji ekosystemów blockchain, wydanie kilkudziesięciu centów na zapobieganie błędom jest znacznie cenniejsze biznesowo niż późniejsze naprawianie szkód za miliony.