Pond 是当前业内唯一专注于图神经网络（GNN）微调的去中心化训练项目，服务于结构化数据应用，如知识图谱、社交网络与交易图等。其通过支持用户上传图结构数据并参与模型训练反馈，为个性化任务提供了一个轻量、可控的训练与推理平台。
Pond 同样采用 LoRA 等高效微调机制，其核心目标是在 GNN 架构上实现模块化、可部署的智能体系统，开辟了「小模型微调 + 多智能体协作」在去中心化语境下的新探索路径。
RPS Labs：面向 DeFi 的 AI 驱动流动性引擎RPS Labs 是一个基于 Transformer 架构的去中心化训练项目，致力于将微调后的 AI 模型用于 DeFi 流动性管理，主要部署在 Solana 生态中。其旗舰产品 UltraLiquid 是一套主动式做市引擎，利用微调后的模型动态调节流动性参数，降低滑点、提升深度，并优化代币发行与交易体验。
此外，RPS 还推出 UltraLP 工具，支持流动性提供者实时优化其在 DEX 上的资金分配策略，从而提升资本效率、降低无常损失风险，体现了 AI 微调在金融场景中的实用价值。
从前链条引擎到后链条生态：去中心化训练的前路
在去中心化训练的完整生态图谱中，整体可划分为两大类：前链条引擎 对应模型预训练阶段、后链条生态对应模型微调部署阶段，构成了从基础设施到应用落地的完整闭环。
前链条引擎聚焦于模型预训练的底层协议构建，由 Prime Intellect、Nous Research、Pluralis.ai、Gensyn 等项目代表。它们致力于打造具备异步更新、稀疏通信与训练可验证性的系统架构，在去信任网络环境中实现高效、可靠的分布式训练能力，构成了去中心化训练的技术根基。
与此同时，Flock 作为中间层代表，通过联邦学习路径，融合模型聚合、链上验证与多方激励等机制，在训练与部署之间建立起可落地、可协作的桥梁，为多节点协同学习提供实践范式。
后链条生态则聚焦于模型的微调与应用层部署。项目如 Pond、Bagel 与 RPS Labs，围绕 LoRA 微调方法展开：Bagel 提供链上可信验证机制，Pond 专注于图神经网络的小模型演化，RPS 则将微调模型应用于 DeFi 场景的智能做市。它们通过推理 API 与 Agent SDK 等组件，为开发者和终端用户提供低门槛、可组合的模型调用与个性化定制方案，是去中心化 AI 落地的重要入口。
我们相信，去中心化训练不仅是区块链精神在 AI 时代的自然延伸，更是全球协作式智能生产力体系的基础设施雏形。未来，当我们回望这条充满挑战的前路征途，仍将以那句初心共勉：去中心化不只是手段，它本身就是价值。