Bittensor 的一个子网刚刚构建了一个 AI 安全模型，击败了大型厂商。

@trishoolaiBittensor 背后的团队（@opentensor子网 23 发布了 HaloGuard 1.0，这是一款实时提示安全模型，声称在七项既定的安全基准测试中均名列前茅。该模型于 7 月 2 日发布，其相对紧凑的体积使其能够与规模更大的 AI 实验室的产品展开竞争。

小模型，大效果

HaloGuard 提供两种版本。4B 参数版本在所有七项基准测试中均名列第一。0.8B 版本定位为轻量级选项，其性能甚至超越了规模数倍于自身的模型，这使得基于 AI 流水线或代理框架的开发人员能够更轻松地实现低延迟部署。

HaloGuard的核心设计理念是拦截而非补救。它会在提示信息到达底层模型或代理之前就将其拦截，从而在潜在有害输入的源头将其捕获，而不是在损害造成后再过滤输出。

注定要自我毁灭

该子网的激励机制使其区别于传统的安全工具。该系统创建了一个竞争环境，矿工通过提交对抗性指令来识别潜在的问题行为。简而言之，矿工通过寻找破解模型的方法获得报酬，每次成功的攻击都会反馈到补丁更新周期中。Trishool 将 AI 红队演练转变为一个去中心化的持续过程，因此随着 AI 的智能化程度不断提高，防御机制和安全检查也会随之改进。

Trishool 将自己描述为一个去中心化的对齐层，旨在为人工智能建立主权、市场验证的安全机制，通过在行星级尺度上自动化安全循环，为安全的超级智能创建一个无需信任的机制。

HaloGuard 的早期 alpha 版本已在 Chutes 子网（一个在 2026 年第一季度创造了 43 万美元实际 AI 收入的 AI 推理子网）上线运行，据报道，自 1 月以来，该版本在真实流量上的 F1 得分已达到 87%。这种实际部署为基准测试数据提供了生产环境数据的支持，而不仅仅是受控测试条件下的数据。

Bittensor是一个开源平台，参与者可以在该平台上生产包括人工智能推理和训练在内的数字商品。它由多个独立的子网组成，每个子网都是一个独立的矿工社区，负责生产商品，验证者则负责评估矿工的工作。HaloGuard的发布正是该模式直接应用于人工智能安全基础设施的一个具体例证。

来源
Trishool 文档 (docs.trishool.ai)
Trishool 第 2 阶段 GitHub 存储库
Bittensor 官方文档