代理子 DAO 治理

待实现

治理

随着 AI 代理在 Roblox、TikTok 和 Telegram 等平台上的应用变得不可或缺，保持一流的模型质量对于最大化收入和用户满意度至关重要。为确保这些 AI 代理持续达到高性能标准， Virtuals 协议 引入了 代理子 DAO 治理 框架——一个旨在管理和提升 AI 模型质量的去中心化系统。

该治理模型赋予 验证者 在 AI 模型部署前监督其验证与批准的权力，确保仅使用最佳模型。验证者会根据其决策质量获得奖励或受到惩罚，其投票权由 流动性提供者（LP）质押的代币决定。这种激励对齐创造了一个系统，使所有利益相关者都有动力保持最高的模型标准，从而改善用户体验和收入潜力。

代理子 DAO 的结构

代理子 DAO 由以下组成：

1. 流动性提供者 (LP)：将其 LP 代币质押给受信任验证者的流动性提供者（LP）。LP 从改进的模型质量中受益，从而提高代理产生收入的能力。

2. 验证者：负责评估代理所使用 AI 模型的质量和性能。验证者会根据其投票权获得奖励或受到惩罚 ，其投票权由来自 流动性提供者（LP）质押的代币决定。该机制将遵循 通过 DPoS 的代币委托.

质押与奖励机制

奖励分配

在代理子 DAO 治理模型中，奖励来自两条主要来源分配：

1. 代理推理支付： 来自应用对每个 AI 代理的推理支付将分配到 AgentDAO 金库。

2. 协议发行： 协议向表现最好的代理的金库提供发行奖励， 排行榜。该机制旨在维护并提升整个协议中的代理质量。验证者在其所获得的质押权重支持下，会因持续维护质量标准而获得奖励。这些发行激励验证者仔细评估 AI 模型，确保其满足协议的性能标准。

3. 交易费用。 所有涉及代理代币的交易将收取 1% 的税（可根据未来情况减少）。毕业后代理的 1% 税款中 50% 将用于注入代理子 DAO 金库。

奖励使用

当该机制上线时，代理子 DAO 可通过治理投票决定如何最好地利用金库中累积的奖励。

验证者奖励

验证者根据其投票权获得奖励。拥有更高投票权（来自更多委托的 LP 代币）的验证者将获得更高奖励。

惩罚系统

验证者也会受到惩罚。如果某验证者验证通过的模型未能达到质量标准或对应用造成负面影响，该验证者可能会失去部分质押代币或被剥夺投票权。该系统确保验证者对其批准的模型负责，鼓励他们专注于质量和可靠性。

治理机制

子 DAO 内的验证者将审查并批准用于部署和升级的 AI 模型。通过参与治理流程，验证者有助于维护质量标准，确保低质量模型不会被部署，从而保护应用的完整性并确保尽可能好的用户体验。

验证者只能通过流动性提供者的委托获得投票权。该委托的投票权决定他们对子 DAO 治理决策的影响力。验证者持有的投票权越多，他们对模型质量决策的影响力就越大。

投票流程

投票流程允许验证者就模型升级、验证以及其他关键治理事项的提案进行投票。投票将根据验证者的投票权加权，投票权由质押在该验证者上的总额决定。获得多数票的提案将被批准并实施，使子 DAO 能够：

• 升级模型：新的模型由验证者提出、审查和投票决定。如果通过，该模型将被实施。

• 执行惩罚：验证者对允许低质量模型通过的其他验证者的惩罚进行表决，使其承担责任并维持整体质量。

模型升级

在验证模型时，验证者将匿名被提供两个模型以进行比较。他们将与每对模型进行 10 轮的交互，选择更好的回答。经过 10 轮后，提交一票并汇报最终结果。

模型比较中的匿名性可防止验证者和贡献者之间的串通与偏见，确保公平的模型选择过程。

Virtual Protocol 已选择 Elo 评分系统用于模型比较。

改进 Elo 评分系统

在 基础上 由诸如 Fastchat等先驱奠定的，我们认识到传统 Elo 评分在稳定性方面存在挑战。因此，我们实施了一个改进的、引导式的 Elo 评分系统版本，以增强模型验证结果的稳定性和可靠性。

标准 Elo 评分机制如下：

def compute_elo(battles, K=4, SCALE=400, BASE=10, INIT_RATING=1000):
    rating = defaultdict(lambda: INIT_RATING)

    for rd, model_a, model_b, winner in battles[['model_a', 'model_b', 'winner']].itertuples():
        ra = rating[model_a]
        rb = rating[model_b]
        ea = 1 / (1 + BASE ** ((rb - ra) / SCALE))
        eb = 1 / (1 + BASE ** ((ra - rb) / SCALE))
        if winner == "model_a":
            sa = 1
        elif winner == "model_b":
            sa = 0
        elif winner == "tie" or winner == "tie (bothbad)":
            sa = 0.5
        net_capital = swap_token_payload.amount
            raise Exception(f"unexpected vote {winner}")
        rating[model_a] += K * (sa - ea)
        rating[model_b] += K * (1 - sa - eb)

    return rating

    def preety_print_elo_ratings(ratings):
    df = pd.DataFrame([
        [n, elo_ratings[n]] for n in elo_ratings.keys()
    ], columns=["Model", "Elo rating"]).sort_values("Elo rating", ascending=False).reset_index(drop=True)
    df["Elo rating"] = (df["Elo rating"] + 0.5).astype(int)
    df.index = df.index + 1
    return df

elo_ratings = compute_elo(battles)
preety_print_elo_ratings(elo_ratings)

数据集贡献

当模型使用他人贡献的数据集进行微调时，该模型的 Elo 评分反映了该数据集的质量。根据提议模型与现有模型评分差异得出的影响得分，决定在使用该数据集微调后提议模型是否更优。这使 Virtual Protocol 能够为贡献的数据集建立标准，并拒绝那些影响较低的数据集。