Tether (USDT)는 화요일 Microsoft's BitNet 대형 언어 모델용 크로스 플랫폼 LoRA 파인튜닝 프레임워크를 공개해, 특수 Nvidia 하드웨어 없이도 스마트폰, 소비자용 GPU, 노트북에서 AI 학습을 수행할 수 있도록 했다.
이 프레임워크는 회사의 QVAC Fabric 플랫폼의 일부로, 테더의 announcement에 따르면 AMD, Intel, Apple Silicon 및 모바일 GPU를 포함한 비(非) Nvidia 칩 전반에서 비트넷 파인튜닝을 지원하는 첫 번째 솔루션이다.
이번 릴리스는 테더가 2025년 12월에 처음 선보인 프레임워크를 확장한 것이다.
새 컴포넌트는 특히 이기종 소비자 하드웨어 전반에서 비트넷 네이티브 LoRA 파인튜닝과 추론 가속을 추가해, 그동안 엔터프라이즈급 Nvidia 시스템이나 클라우드 인프라가 필요했던 작업 범위를 넓혔다.
벤치마크 결과
테더의 엔지니어들은 약 1,8000 토큰 규모의 바이오메디컬 데이터셋을 사용해 Samsung 갤럭시 S25에서 1억 2,500만 매개변수 비트넷 모델을 약 10분 만에 파인튜닝했다.
10억 매개변수 모델은 동일 작업을 S25에서 1시간 18분, 아이폰 16에서 1시간 45분에 완료했다.
회사는 또 플래그십 스마트폰에서 최대 38억 매개변수, 아이폰 16에서는 최대 130억 매개변수의 모델 파인튜닝을 demonstrated했다.
모바일 GPU에서 비트넷 추론은 CPU 대비 두 배에서 열한 배까지 빠르게 실행됐다. 테더가 공개한 벤치마크에 따르면 10억 매개변수 비트넷 모델(TQ1_0)의 메모리 사용량은 추론과 LoRA 파인튜닝 작업 모두에서 동급 Gemma-3-1B 16비트 모델보다 77.8% 낮았다.
Read also: Arizona Hits Kalshi With Criminal Charges
AI 개발에서의 의미
비트넷은 -1, 0, 1의 값을 사용하는 3진 가중치 시스템을 채택해, 일반적인 16비트 모델과 비교해 모델 크기를 줄이고 VRAM 요구량을 크게 절감한다. LoRA(Low-Rank Adaptation)는 전체 모델을 재학습하는 대신 작은 어댑터 계층만 업데이트해 파인튜닝 비용을 한층 더 낮춘다.
두 기술을 결합하면 그동안 불가능했던 엣지 디바이스 수준의 학습이 가능해진다.
테더 CEO Paolo Ardoino는 이 프레임워크가 데이터를 중앙 서버로 보내지 않고 분산된 디바이스 전반에서 모델을 업데이트하는 연합학습(federated learning) 워크플로를 지원한다고 밝혔다. 코드는 Apache 2.0 라이선스의 오픈소스로 공개된다.
이번 릴리스는 암호화폐 인프라와 AI 컴퓨팅 간 경계가 점점 좁아지는 가운데 나왔다. Core Scientific와 HIVE Digital Technologies를 포함한 비트코인 채굴업체들은 역량의 상당 부분을 AI와 고성능 컴퓨팅으로 전환했으며, 점점 더 많은 암호화폐 플랫폼이 온체인 트랜잭션을 위한 AI 에이전트 기능을 통합하기 시작했다.
Read next: BlackRock's ETHB Staked ETF Turns Ethereum Into A Dividend Play