affine

Qu’est-ce qu’affine ?

affine est le sous-réseau 120 de Bittensor, un réseau décentralisé d’apprentissage par renforcement et de « reason mining » qui rémunère les mineurs pour la production de modèles de raisonnement à poids ouverts capables de battre un champion en titre sur un ensemble d’environnements d’évaluation difficiles.

Son problème pratique n’est pas l’offre d’inférence générique, mais l’amélioration dirigée du raisonnement des modèles dans le cadre d’un système d’incitations adversarial : les mineurs soumettent des poids de modèles, les validateurs testent les challengers face à l’actuel titulaire, et les récompenses se concentrent sur le modèle qui améliore démontrablement les performances plutôt que sur le mineur qui sert simplement le plus de requêtes.

L’avantage compétitif revendiqué du sous-réseau est cette boucle d’évaluation de type tournoi, décrite dans le dépôt GitHub Affine, où les mineurs engagent sur la chaîne une paire modèle‑et‑révision Hugging Face, et où un challenger doit battre le champion actuel sur tous les environnements configurés avec une certaine marge avant de pouvoir capturer les poids du sous-réseau. (github.com)

affine est un sous-réseau d’application Bittensor de niche mais inhabituellement visible, et non une couche 1 autonome ni une large plateforme de smart contracts. Fin juin 2026, des suivis de sous-réseaux tiers plaçaient SN120 parmi les plus grands marchés alpha de Bittensor, avec SubnetRadar qui le classait près du sommet du tableau des capitalisations de marché des sous-réseaux et montrait un ensemble de UID presque saturé, tandis que l’annuaire des sous-réseaux de Bittensor présentait Affine comme une « évaluation décentralisée de modèles de raisonnement ».

Ces chiffres doivent être lus comme des indicateurs de structure de marché plutôt que comme une preuve de la demande des utilisateurs finaux, car la capitalisation du marché des sous-réseaux Bittensor, la liquidité et la « TVL » sont dérivées des pools de staking de dTAO et de l’exposition aux tokens alpha plutôt que de revenus conventionnels de protocole. (subnetradar.com)

Qui a fondé affine et quand ?

affine semble avoir été lancé en 2025, OpenTAO référençant SN120 comme enregistré le 10 juin 2025, durant la phase post‑dTAO de l’évolution de Bittensor, lorsque les sous-réseaux individuels sont devenus des marchés de tokens alpha investissables plutôt que de simples cibles d’incitation dirigées par les validateurs.

La documentation publique de l’écosystème associe le sous-réseau à l’Affine Foundation et à Jacob Steeves, connu sous le pseudonyme « Const », cofondateur de Bittensor, même si l’équipe opérationnelle au-delà de ce noyau n’est pas largement dévoilée dans une documentation d’entreprise formelle. Cette opacité est courante dans les sous-réseaux Bittensor mais importante pour une analyse institutionnelle, car la crédibilité technique, les incitations de détention et le risque de gouvernance d’un sous-réseau sont souvent concentrés dans un petit groupe de fondateurs ou d’opérateurs plutôt que répartis dans la structure d’une société cotée mûre. (opentao.ai)

Le récit est passé d’un concept large de « marché du raisonnement » à une compétition d’IA par renforcement plus concrète pour les modèles ouverts. Les premières descriptions mettaient l’accent sur la commoditisation du raisonnement et la coordination de multiples ressources de sous-réseaux ; la base de code actuelle est plus étroite et plus mesurable, en se concentrant sur les soumissions de modèles, les engagements one‑shot de hotkeys, les contrôles anti‑plagiat, les fenêtres quotidiennes de challengers et des environnements d’évaluation spécifiques tels que SWE‑INFINITE, LIVEWEB, NAVWORLD, MEMORY, DISTILL et TERMINAL. Ce changement est important car il éloigne affine d’un récit vague d’IA décentralisée pour aller vers un mécanisme vérifiable et fondé sur des benchmarks, même si la contrepartie est que sa valeur économique reste dépendante du fait que ces victoires sur benchmarks se traduisent ou non par une demande d’inférence externe réutilisable. (github.com)

Comment fonctionne le réseau affine ?

affine doit être compris comme une couche d’incitation spécifique à l’application au sein de Bittensor plutôt que comme un réseau de consensus indépendant. Il n’utilise pas son propre consensus PoW, PoS ou DAG ; le règlement, l’enregistrement, le staking, la comptabilité de l’alpha et la distribution des récompenses sont gérés via l’infrastructure Subtensor de Bittensor, tandis que l’allocation du travail au niveau du sous-réseau est régie par le mécanisme Yuma Consensus de Bittensor.

Dans Yuma Consensus, les validateurs soumettent des classements ou des poids pour les mineurs, et le processus on-chain convertit ces classements en émissions pour les mineurs et les validateurs ; dans le cas d’affine, le signal de classement est dérivé du fait qu’un modèle de raisonnement soumis parvient ou non à surperformer le champion en place selon les règles d’évaluation du sous-réseau. La documentation de Bittensor sur Yuma Consensus décrit ce mécanisme plus large comme l’algorithme qui calcule les émissions des mineurs et des validateurs à partir des évaluations des validateurs sur la performance des mineurs. (docs.learnbittensor.org)

Le choix technique distinctif du sous-réseau est sa boucle d’évaluation de modèles de type « winner‑takes‑all ». Les mineurs entraînent ou affinent des modèles, téléversent des poids publics sur Hugging Face, puis engagent une unique révision de modèle on-chain ; les validateurs récupèrent ensuite la soumission, l’exécutent face au champion, et ne remplacent le champion que si le challenger gagne strictement sur chaque environnement actif.

La FAQ Affine décrit les engagements one‑shot, l’invalidation permanente des engagements en double, les vérifications de plagiat via le hash du modèle et un routage optionnel d’une partie des poids vers l’UID 0 en tant que mécanisme de sécurité de type burn en période d’instabilité. Les opérations des validateurs sont relativement légères, car ils soumettent des poids et surveillent le scoring backend plutôt que d’exécuter nécessairement de l’inférence GPU lourde localement ; le guide du validateur indique que le calcul est géré par des services backend et que les validateurs se concentrent principalement sur la récupération des poids, la configuration du burn et la mise à jour de ces poids on-chain. (github.com)

Quelle est la tokenomics de sn120 ?

sn120 est le token alpha spécifique au sous-réseau pour le netuid 120 de Bittensor, la référence fournie de l’explorateur Bittensor identifiant l’actif à l’adresse de sous-réseau 120. Sous Dynamic TAO, chaque token alpha de sous-réseau possède son propre pool TAO/alpha et un plafond dur de 21 millions d’unités alpha, reflétant le plafond de 21 millions de TAO, tandis que les émissions suivent un calendrier de type halving plutôt qu’une offre totalement en circulation dès l’origine. La FAQ Dynamic TAO et la documentation des sous-réseaux Bittensor expliquent que staker des TAO dans un sous-réseau revient essentiellement à échanger une exposition TAO contre le token alpha de ce sous-réseau, le ratio de réserve du pool déterminant le prix de l’alpha. Fin juin 2026, les données d’actifs fournies et des tableaux de bord tiers plaçaient sn120 dans une fourchette de capitalisation de marché de l’ordre de quelques dizaines de millions de dollars et dans une fourchette de prix de l’ordre d’une dizaine de dollars, mais ces valeurs sont des sorties volatiles de pools plutôt que des fondamentaux stables. docs.learnbittensor.org

L’utilité de sn120 est principalement l’exposition via le staking et le routage des émissions, et non le paiement du gas sur une chaîne indépendante.

Un utilisateur qui stake sur affine prend une exposition au token alpha SN120 et, via un validateur, participe à l’économie de récompenses du sous-réseau ; les mineurs recherchent des émissions en produisant le modèle de raisonnement gagnant, les validateurs gagnent en évaluant correctement et en appliquant les poids, et les stakers gagnent via la couche d’incitations dTAO tout en supportant le risque de prix du token alpha.

Le système d’émissions de Bittensor a également évolué de manière significative : la documentation indique désormais qu’à compter de juin 2026, les émissions sont revenues à un modèle fondé sur le prix en utilisant les prix EMA des tokens de sous-réseaux, tandis que le modèle Taoflow, fondé sur les flux et utilisé de novembre 2025 à juin 2026, est déprécié. Cela compte pour sn120 parce que l’accumulation de valeur dépend moins de la capture directe de frais et davantage de la mesure dans laquelle la demande de staking, la confiance des validateurs et la perception de l’utilité des modèles soutiennent le marché alpha du sous-réseau. (docs.learnbittensor.org)

Qui utilise affine ?

La base d’utilisateurs observable est principalement crypto‑native et axée sur l’infrastructure : mineurs, validateurs, stakers et développeurs qui suivent le classement des modèles. Fin juin 2026, SubnetRadar montrait affine proche d’une utilisation complète des UID, avec des centaines de slots pour mineurs et un petit ensemble de validateurs, ce qui indique une participation compétitive pour les émissions mais ne doit pas être confondu avec une adoption par les consommateurs.

L’utilité réelle on-chain du projet est la production et l’évaluation de modèles de raisonnement ouverts ; le volume de trading spéculatif dans les pools SN120/TAO est un phénomène distinct et peut dominer l’activité de marché à court terme même si le produit d’inférence sous‑jacent génère peu de revenus externes. La base de code publique renforce cette distinction en mettant au centre les soumissions des mineurs, la définition des poids par les validateurs et l’évaluation des modèles plutôt qu’un pipeline client SaaS classique. (subnetradar.com)

L’adoption institutionnelle ou entreprise reste limitée et doit être présentée avec prudence.

L’intégration la plus concrète est l’interopérabilité intra‑Bittensor : OpenTAO et les supports liés à Affine décrivent les modèles gagnants comme étant déployés via ou connectés à des infrastructures d’inférence telles que Chutes, de sorte que les développeurs en aval et les builders d’agents peuvent potentiellement consommer les sorties de raisonnement via un accès de type API. Cependant, le profil de recherche de SubnetRadar n’indiquait pas de revenus externes vérifiés sur 30 ou 90 jours pour affine, de sorte qu’il n’existe pas encore suffisamment de preuves publiques pour traiter SN120 comme un actif de revenu d’entreprise plutôt que comme un marché de recherche prometteur au niveau du sous-réseau. (opentao.ai)

Quels sont les risques et défis pour affine ?

Le risque réglementaire est principalement hérité de Bittensor et de TAO plutôt que d’affine seul, mais cette distinction pourrait ne pas protéger les détenteurs de tokens alpha du sous-réseau si les régulateurs américains venaient à examiner de près le réseau plus large. Le dépôt du formulaire S-1/A de Grayscale’s Bittensor Trust indique que le trust entend être coté sur le NYSE Arca sous le symbole GTAO si son processus d’enregistrement et de cotation devient effectif, mais il précise également que le trust ne met actuellement pas en staking ses TAO et qu’aucune approbation réglementaire n’est garantie. Une précédente communication de risque de Grayscale avertissait également que la distribution initiale de TAO et le rôle de l’Opentensor Foundation pourraient rendre le risque de classification en tant que valeur mobilière plus élevé que pour des actifs de type Bitcoin. Pour sn120, le risque de centralisation le plus immédiat est opérationnel : un petit nombre de validateurs, un sous-réseau associé au fondateur, des services de scoring contrôlés côté backend, et une règle d’émissions « le gagnant rafle tout » peuvent tous concentrer l’influence même si le processus de minage est en principe sans permission. sec.gov

La menace concurrentielle est bilatérale. Au sein de Bittensor, affine se dispute les émissions, le staking et l’attention avec d’autres sous-réseaux de premier plan tels que Chutes, Targon, Templar et d’autres réseaux de formation de modèles, d’inférence et d’évaluation ; en dehors de Bittensor, il est en concurrence avec des laboratoires d’IA centralisés et des communautés de modèles open source qui peuvent améliorer les modèles de raisonnement sans avoir besoin d’une couche d’incitation tokenisée.

Son mécanisme est également fragile sur le plan économique : si les benchmarks sont manipulés, si les améliorations de modèles ne se généralisent pas, si les validateurs ne parviennent pas à maintenir un scoring crédible, ou si les stakers se tournent vers des sous-réseaux offrant un rendement plus élevé, le token alpha peut perdre rapidement le soutien des émissions.

Les modifications de protocole de Bittensor en mai et juin 2026, y compris la suppression de l’alpha propriétaire gratuit lors de l’enregistrement d’un sous-réseau et le correctif de comptabilisation du protocole alpha Spec 413, montrent que l’économie dTAO est encore en cours de révision active plutôt que de fonctionner comme un design monétaire stabilisé. (tao.media)

Quelles sont les perspectives d’avenir pour affine ?

Les perspectives d’affine dépendent moins de l’appréciation du prix que de sa capacité à prouver que des incitations d’RL ouvertes et adversariales produisent des améliorations de raisonnement durables que des utilisateurs externes souhaitent réellement consommer.

L’orientation technique vérifiée à court terme est visible dans le dépôt : les nouvelles instructions pour les mineurs exigent des fine-tunes Qwen3.6-35B-A3B pour les nouvelles soumissions, imposent des commits one-shot, vérifient la taille du modèle et la sûreté du chat-template, et reposent sur des fenêtres de challenger quotidiennes qui évaluent un modèle contre l’entrant en place. Au niveau du protocole, la documentation sur les émissions de Bittensor de juin 2026 et la mise à jour Spec 413 indiquent un environnement de base changeant pour tous les sous-réseaux, y compris affine, les émissions étant désormais à nouveau liées à des mécanismes d’EMA basés sur le prix et la comptabilisation de l’alpha étant gérée plus strictement lors de la dissolution d’un sous-réseau.

L’obstacle structurel ne consiste donc pas simplement à livrer plus de code ; affine doit démontrer que ses environnements de scoring résistent au surapprentissage, que l’évaluation contrôlée par les validateurs reste crédible, et que les sorties des modèles de raisonnement peuvent devenir une infrastructure utile plutôt qu’une compétition circulaire d’émissions. github.com