跳转至

仪表板上的H100等效值

在升级到v0.2.16之前请阅读此内容。如果提案109通过,升级高度为6,353,400,预计时间为2026年10月2日07:05 UTC。

这个数字的含义

H100等效值是当前网络奖励权重除以同一周期内单个参考H100所获得的奖励权重:

H100_eq = total_weight / weight_per_h100

这是一个奖励权重等效值。它不是物理GPU的数量,也不是经过难度标准化的算力。

在第410个周期,total_weight为497,724。它来源于current_epoch_group_data.total_weight,等于24个活跃参与者的validation_weights[].weight之和。 所有显示此指标的仪表板都使用该分子。发布的数据不同是因为分母不同。

第410个周期各仪表板显示的内容

仪表板 显示数值 分母
gonka.gg 1,102,标注为"GPU (H100中位权重)" 仅针对报告H100的主机的实时中位数,包括H100 PCIe。中位数为451.7。497,724 / 451.7 = 1,102
tracker.gonka.vip ~1,087 H100 GPU 相同的实时方法,但仅限NVIDIA H100 80GB HBM3。共四个此类主机,中位数为457.3。497,724 / 457.3 = 1,088
tracker.gonka.hyperfusion.io ~1,960 H100 GPU 从第175个周期起固定254。更早周期使用440,然后是284。497,724 / 254 = 1,960
gonkascan.com 1,956 H100 GPU 固定254.5,即2026年2月19日归一化后单个H100 80GB HBM3的权重(第176周期)。497,724 / 254.5 = 1,956
gonkahub.com/network ~1,960 H100 GPU 图表标注为"权重 ÷ 254.5 (H100 HBM3)"。使用相同的2月固定基准。
gnk.space ~1,710 固定291。当该API字段设置时,页面使用network_weight_h100。该字段为空,因此页面回退到totalWeight / 291。497,724 / 291 = 1,710

gonka.gg还显示"总物理GPU:642"。这是另一个指标:活跃主机自报的GPU库存。它不是H100等效值。当主机更新其硬件报告时,库存会变动。 这两个指标不可混淆。在第410个周期,一个纯H100 80GB HBM3主机每张GPU产生约457权重。一个纯H100 PCIe主机产生约245。

如果v0.2.16通过会发生什么变化

查询路径保持不变。奖励权重仍位于validation_weights[].weight。该数字已包含该周期的有效系数。请勿再次乘以系数。 current_epoch_group_data的内容会发生变化。在升级周期及之后,confirmation_weight_scales[].weight_scale_factor被清空,effective_coefficient被设置。升级前的周期仍保留weight_scale_factor,无effective_coefficient。poc_params.models[].weight_scale_factor在升级时被清空。将其读作实时系数将返回空值。 模型系数开始变动。治理机构为每个模型设定目标算力占比和系数范围。每个周期,协议在该范围内逐步调整基础系数。超过目标份额的算力按最低系数评分,因此用于奖励权重的有效系数可能低于基础系数。下表为初始范围,而非后续周期应用的系数。 初始范围从升级后的周期开始生效。升级周期本身保留当前的奖励权重。

模型 升级时 允许范围 模型ID
MiniMax M2.7 0.3024 固定为0.3024 MiniMaxAI/MiniMax-M2.7
GLM 5.3 Flash 0.62 0.558–0.682 zai-org/GLM-5.3-Flash
DeepSeek V4 Flash 0731 0.246 0.2214–0.2706 deepseek-ai/DeepSeek-V4-Flash-0731
任何其他启用的模型 其当前规模 该规模 × [0.9, 1.1] 来自链参数

相同的物理H100根据其服务的模型以及该模型是否超过其目标份额,获得不同的奖励权重。不同模型的主机是不同的单位,因此中位数必须来自全部服务同一模型的主机。 MiniMax初始被固定:coeff_min和coeff_max均为0.3024。当某模型在该轮冻结的config上这两个边界相等时,该模型即被固定。治理可以稍后打开MiniMax的范围,或固定另一个模型,而无需重置控制器。不要硬编码MiniMax。每个轮次,读取边界并从其中选择参考模型。 一个在254、254.5或291处冻结的除数已从更早的轮次中取出。在升级后,每个轮次它都会进一步漂移。 组上限和抵押品仍独立于系数改变奖励权重。观察到的validation_weights[].weight的中位数已包含它们。不要用基准吞吐量乘以系数来替换分母。

此升级中的第二个更改不属于此指标。治理、BLS和PoC验证算力仅限于上一轮次已确认的算力。新容量仍立即获得奖励。从validation_weights[].weight(奖励权重)构建H100等效值。根轮次组的voting_power对每个参与者均为0。它仅在模型子组中填充,且不是容量数值。

相同的物理 H100 根据其服务的模型以及该模型是否超过其目标份额,获得不同的共识权重。一个冻结在 254、254.5 或 291 的除数已从较早的纪元中取出。在升级后的每个纪元中,它将继续漂移。 此升级中的第二个变更不属于此指标。治理、BLS 和 PoC 验证权仅限于上一个纪元确认的算力。新容量仍会立即获得奖励。从 validation_weights[].weight 构建 H100 等效值,即奖励权重。根纪元组上的 voting_power 对每个参与者均为 0。它仅在模型子组中填充,且不是容量数值。

如何计算

每个轮次重新计算一次,在该轮次的权重进入current_epoch_group_data后。在PoC期间,链有两个轮次指针。遵循此端点。不要从区块高度推导轮次。

参考卡:仅限NVIDIA H100 80GB HBM3。

包括升级轮次在内,样本为每个纯H100 80GB HBM3主机。从下一个轮次开始,仅保留仅服务该轮次参考模型的主机。

  1. GET /chain-api/productscience/inference/inference/current_epoch_group_data 取epoch_index、total_weight、sub_group_models和每个validation_weights[]条目:member_address和weight。使用此根weight作为主机的奖励权重。它已包含有效系数。
  2. GET /chain-api/productscience/inference/inference/hardware_nodes_all 保留participant在此轮次validation_weights中的行。删除其余行。未过滤列表是历史数据。目前包含4,455条记录,不是实时网络。
  3. 仅当所有报告的GPU均为NVIDIA H100 80GB HBM3时才保留参与者。一个H100 PCIe、H100 NVL或未标记的gpu将使主机从样本中移除。GPU类型为自报告,链不验证。此过滤器可防止混合服务器改变每GPU权重。
  4. 从首次使用新范围的轮次开始,将每个纯主机分配给其服务的单一模型。对于sub_group_models中的每个model_id:
GET /chain-api/productscience/inference/inference/epoch_group_data/{epoch_index}?model_id={model_id}

当某子组的validation_weights条目中weight > 0时,参与者即服务该模型。删除服务超过一个模型的参与者。将其余参与者按该单一模型分组。 5. 为本轮次选择参考模型: - 当其冻结的config.coeff_min和config.coeff_max解码为相同数字时,模型即被固定。升级时,该模型为MiniMaxAI/MiniMax-M2.7。 - 在至少有3个纯H100主机的固定模型中,选择拥有最多此类主机的模型。平局时选择model_id最低者。 - 如果没有固定模型拥有3个此类主机,则选择拥有最多纯H100主机的单一模型,无论是否固定。平局时选择model_id最低者。分母随后遵循该模型的有效系数。标注模型和系数,以便可见其变动。 - 不要跨模型取中位数。 6. 对于参考模型上的每个主机,sample = weight / h100_count,使用第1步中的根奖励权重。 7. 分母 = 这些样本的中位数。若为偶数个,取两个中间值的平均值。 8. H100_eq = total_weight / denominator。

如果所选模型上剩余主机少于3个:

  • 通过升级轮次,保留上一轮次的分母,并标注为延续。
  • 之后,保留上一轮次中使用相同参考model_id的分母,并标注为延续。不要重用457.33或任何其他升级前的分母。不要在参考模型变更时延续分母。如果该模型无先前分母,则省略该轮次的标题。

第410轮检查

此检查使用升级前样本:每个纯H100 80GB HBM3主机,而非单一参考模型。在升级轮次期间发布。

四个纯H100 80GB HBM3主机,每GPU权重:451.69、452.38、462.29、466.50。

中位数 = 457.33。 497,724 / 457.33 = 1,088。

这是在新范围生效前应标准化的数值。它与tracker.gonka.vip(约1,087)匹配。gonka.gg的1,102使用相同公式,但包含三个仅H100-PCIe主机,使中位数从457.3变为451.7。

在首次使用新范围的轮次,标题可能变动,因为样本从所有纯HBM3主机变为仅服务单一参考模型的主机。升级时该模型为MiniMax,因为它是被固定的模型。如果治理稍后取消其固定,相同规则将选择任何被固定的模型,或拥有最多纯H100主机的单一模型。在标题旁显示样本标签,以解释此跳跃。

要显示的内容

  • 标题:H100 等效值,除法的结果。在第 410 轮时,该值约为 1,088。
  • 其旁边:分母、样本量和参考模型。通过升级轮次:"457 权重每 H100 80GB HBM3,4 个主机"。从下一轮开始:"每 H100 80GB HBM3 在 {model_id} 上的权重,有效系数 {effective_coefficient},N 个主机"。
  • 物理 GPU 数量,如果你显示它,是单独的一行。将其标记为自报库存。
  • gonka.gg 上的标题 "H100 中位权重:1,102" 是等效数量,而非中位数。将等效值标记为 H100 等效值,并单独显示中位数。
  • 将卡片标记为奖励权重等效值。向更高系数模型的转变可以在不改变 GPU 数量的情况下改变此数值。

从该轮次的权重中刷新分母。使用新系数范围的第一个轮次是升级之后的轮次,而不是升级轮次本身。

如果你也显示模型系数

停止将 poc_params.models[].weight_scale_factor 读作实时系数。升级后它为空。

某轮次的奖励乘数为 effective_coefficient:

GET /chain-api/productscience/inference/inference/dynamic_coefficients/{epoch_index}

epoch_index = 0 表示当前纪元。根纪元组中的条目与 confirmation_weight_scales 相同。

对于每个模型:

  • effective_coefficient 是已包含在 validation_weights[].weight 中的乘数。这是用作系数的数值。
  • base_coefficient 是超供应稀释前的控制器值。将其与有效值并列显示。当模型的计算份额高于目标时,两者不同。
  • config.coeff_min、config.coeff_max、config.target_share_bps 和 config.relative_difficulty 是该纪元冻结的边界、目标和难度。目标份额为 target_share_bps / 10000。上表仅为初始边界。
  • poc_params.models[].dynamic_coefficient 是下一个 PoC 的实时治理边界。它不是当前纪元使用的系数。

将每个 Decimal 解码为 value × 10^exponent。value 和 exponent 可能以数字或字符串形式到达。{value: 3024, exponent: -4} 为 0.3024。

在 v0.2.16 之前形成的纪元没有 effective_coefficient。对这些纪元使用 weight_scale_factor。升级纪元已将 effective_coefficient 设置为旧比例。

跳过带有 exclude_from_confirmation = true 的条目。在 PoC 期间,即将到来的纪元可能已具有 config,而 effective_coefficient 仍为空。该系数尚未计算。不要替换治理边界或 1。

v0.2.13 确认权重步骤 将原始 PoC 权重按 weight_scale_factor 缩放。对于升级纪元及之后,当 effective_coefficient 存在时在该公式中使用 effective_coefficient,仅当 effective_coefficient 缺失时使用 weight_scale_factor。