Tether lanza programa de subvenciones, apostando más fuerte por la estrategia de IA local-first

Tether, el emisor de USDT, la stablecoin más grande del mundo, ha puesto sus ojos en la inteligencia artificial, invirtiendo millones de dólares en tecnología que no requiere la nube para funcionar. 

Paolo Ardoino, CEO de Tether, compartió cómo migró de una IA basada en la nube a un sistema de IA local y soberano, advirtiendo sobre los riesgos de los nuevos sistemas de Agentes de IA. 

Tether está pagando a desarrolladores para construir sistemas de IA local 

Tether ha lanzado un programa ilimitado de subvenciones para desarrolladores para financiar infraestructura de IA local-first y pagos. Antes de esto, el grupo de investigación de IA de Tether lanzó modelos de lenguaje médico que se ejecutan en teléfonos inteligentes estándar y superan significativamente a los sistemas mucho más grandes de Google (NASDAQ: GOOGL).

Tether se une a un carril que el cofundador de Ethereum (ETH), Vitalik Buterin, ya está recorriendo. Vitalik publicó un extenso artículo de blog el 2 de abril detallando su migración completa lejos de la IA basada en la nube.

Cryptopolitan informó que Buterin dice que ahora ejecuta todo en sus propias máquinas y quiere que otros hagan lo mismo, especialmente con la introducción de nuevos sistemas “agente” que presentan amenazas de seguridad considerables. Buterin destacó la investigación realizada en OpenClaw, que alcanzó 280,000 estrellas a principios de 2026.

La herramienta permite a los agentes de IA controlar las computadoras directamente, y los investigadores de seguridad han demostrado que los agentes de OpenClaw pueden modificar configuraciones críticas del sistema, descargar y ejecutar scripts maliciosos desde páginas web sin el conocimiento del usuario, y exfiltrar datos a través de llamadas de red silenciosas.

Cryptopolitan informó que aproximadamente el 15% de las “habilidades” que utilizan estos agentes contienen comandos ocultos que envían silenciosamente los datos del usuario a servidores externos.

“Si puedes construir algo que se ejecute localmente, que tenga valor directo y no dependa de proveedores externos, lo financiaremos”. dijo el CEO de Tether, Paolo Ardoino.

De Tether el programa de subvenciones

paga a las personas entre $1,500 y $4,000 por tarea, ya sea en USDT o Bitcoin (BTC), sin límite en los pagos totales del programa. Sin embargo, a los desarrolladores solo se les paga una vez que se han completado los entregables técnicos específicos. Tether está dirigiendo el programa hacia la creación de bibliotecas centrales para suplataforma de IA local QVAC

, la producción de documentación técnica, el desarrollo de aplicaciones sobre la pila abierta de Tether y la investigación sobre descentralización e IA en el borde (edge AI). 

Un enfoque principal es el Kit de Desarrollo de Billetera (WDK), que permite a los desarrolladores integrar billeteras de autocustodia directamente en las aplicaciones, mientras también permite a los usuarios gestionar sus cuentas y completar transacciones sin depender de servicios de custodia o APIs alojadas.

Tether otorgó anteriormente $100,000 en subvenciones a la Fundación BTC Pay Server en años consecutivos y donó $250,000 a OpenSats para el desarrollo de Bitcoin. Tether ha distribuido más de 500 subvenciones educativas para estudiantes y se ha comprometido a destinar hasta aproximadamente $5.38 millones (5 millones de CHF) hacia la siguiente fase del programa hasta 2030.

¿Pueden los modelos de IA más pequeños superar a los más grandes? El Grupo de Investigación en IA de Tether publicó recientemente

QVAC MedPsy, un par de modelos de lenguaje médico diseñados para ejecutarse directamente en teléfonos inteligentes y dispositivos portátiles sin ninguna conexión a internet. Los resultados desafían la suposición de que un mejor rendimiento requiere modelos más grandes.

El modelo más pequeño, QVAC MedPsy-1.7B (1.700 millones de parámetros), obtuvo una puntuación de 62.62 en siete pruebas médicas cerradas, superando a MedGemma-1.5-4B-it de Google por 11.42 puntos, a pesar de ser menos de la mitad de su tamaño.

El modelo más grande, QVAC MedPsy-4B (4.000 millones de parámetros), obtuvo una puntuación de 70.54 en las mismas pruebas, superando a MedGemma-27B-text-it de Google, un modelo casi siete veces más grande que contiene aproximadamente 27.000 millones de parámetros. 

La brecha de rendimiento se amplió cuando los modelos se probaron en escenarios clínicos del mundo real. En HealthBench Hard, una prueba diseñada para medir el razonamiento médico aplicado, QVAC MedPsy-4B obtuvo una puntuación de 58.00 en comparación con los 42.00 de MedGemma-27B.

Los modelos también utilizan significativamente hasta 3.2 veces menos tokens que los sistemas comparables, lo que se traduce directamente en tiempos de respuesta más rápidos y menores demandas computacionales.