Buterin von Ethereum hebt Durchbrüche in der KI-gestützten lokalen Datenanalyse hervor und nennt verbesserte Anonymitätsfunktionen für das Netzwerk

Inhaltsverzeichnis Ethereum-Mitbegründer Vitalik Buterin hat erklärt, dass Fortschritte in der lokalen KI, insbesondere DeepSeek V4, die Datenschutz-Tools von Ethereum stärken können. Buterin teilte mit, dass die 2-Bit-quantisierte Version des Modells innerhalb von 90 GB VRAM läuft. Er stellte Leistungsunterschiede zwischen der Hardware fest, wobei Apple-Geräte 35 Token pro Sekunde erreichten. Er stellte außerdem eine direkte Verbindung zwischen der lokalen KI-Infrastruktur und der Datenschutzschicht von Ethereum her und forderte die Entwicklung eines Ethereum-spezifischen KI-Modells. Buterin bestätigte, dass DeepSeek V4 jetzt über eine 2-Bit-quantisierte Version für den lokalen Gebrauch verfügt. Das Modell läuft mit 90 GB VRAM und ist somit auf Consumer-Hardware zugänglich. Dies stellt einen Fortschritt für Benutzer dar, die KI-Tools wünschen, die ohne Server von Drittanbietern funktionieren. Die Leistung hängt jedoch stark von der verwendeten Hardware ab. Apple-Geräte liefern etwa 35 Token pro Sekunde, während AMD-Hardware mit etwa 7 Token pro Sekunde läuft. Buterin bezeichnete diese Lücke als ein Anliegen, das es wert sei, für die breitere lokale KI-Bewegung angegangen zu werden. Er postete auf Updates seitdem: * Deepseek v4 ist erschienen. Es *gibt* ein 2-Bit-Quant, das innerhalb von 90 GB ausgeführt werden kann (https://t.co/X3AFAsiH02), und es funktioniert, ist jedoch nur auf Apple-Hardware schnell (ich habe ~35 tok/s erreicht). Bei AMD sind es ca. 7 tok/s. Meiner Meinung nach bemühe ich mich tatsächlich, mehr richtig zu unterstützen … https://t.co/zo04n5Cx0F – vitalik.eth (@VitalikButerin) 27. Mai 2026 Buterin hob auch LuceBox Hub als nützliches Tool für die effizientere Ausführung dichter Modelle hervor. Auf seinem RTX 5090-Laptop produzierte es im Vergleich zu llama.cpp etwa doppelt so viele Token pro Sekunde. Er beschrieb es als vielversprechend, obwohl es sich noch in einem frühen Entwicklungsstadium befinde. Buterin wies darauf hin, dass CROPS AI und die Zugriffsschicht von CROPS Ethereum wichtige technische Grundlagen gemeinsam haben. Wissensfreie Beweise könnten beispielsweise kostenpflichtige Anrufe zu entfernten großen Sprachmodellen ermöglichen. Er stellte fest, dass dieselbe ZK-Infrastruktur auch private RPC-Lesevorgänge auf Ethereum unterstützt. Diese Überschneidung bedeutet, dass Fortschritte in der lokalen KI-Entwicklung direkt in die Datenschutztools von Ethereum einfließen. Anstatt diese Systeme isoliert aufzubauen, betrachtet Buterin sie als natürlich zusammenhängende Bemühungen. Eine gemeinsame Infrastruktur reduziert Duplikate und beschleunigt beide Tracks gleichzeitig. Er verwies auch auf Leanstral, ein fein abgestimmtes Mistral-Modell zum Schreiben von Lean-Code. Es passt in 70 GB und läuft auf AMD-Hardware mit etwa 38 Token pro Sekunde. Buterin stellte fest, dass es bei dieser spezifischen Aufgabe im Vergleich zu viel größeren Modellen mit einer Billion Parameter konkurrenzfähig ist. Von dort aus plädierte er für Ethereum-spezifische, fein abgestimmte Modelle. Er argumentierte, dass solche Modelle die Sicherheit intelligenter Verträge und Protokollcodes direkt verbessern würden. Er brachte diesen Punkt mit seinem umfassenderen Bestreben nach einer formellen Verifizierung in der Ethereum-Entwicklung in Verbindung und verlinkte auf einen aktuellen Beitrag auf seiner persönlichen Website.