# 에이전트 SubDAO 거버넌스

## 거버넌스 

AI 에이전트가 Roblox, TikTok, Telegram 같은 플랫폼 전반의 애플리케이션에 핵심 요소가 됨에 따라, 수익과 사용자 만족도를 극대화하려면 최상급 모델 품질을 유지하는 것이 필수적입니다. 이러한 AI 에이전트가 일관되게 높은 성능 기준을 충족하도록 하기 위해, **Virtuals Protocol** 는 **Agent SubDAO 거버넌스** 프레임워크를 도입합니다—AI 모델 품질을 관리하고 향상시키도록 설계된 분산형 시스템입니다.

이 거버넌스 모델은 **검증자** 가 AI 모델이 배포되기 전에 검증과 승인을 감독하도록 권한을 부여하여, 가장 우수한 모델만 사용되도록 보장합니다. 검증자는 자신의 판단 품질에 따라 보상을 받거나 페널티를 받으며, 투표 권한은 다음이 스테이킹한 토큰에 의해 결정됩니다. **유동성 공급자(LP)**이러한 인센티브 정렬은 모든 이해관계자가 최고 수준의 모델 표준을 유지하도록 동기부여되는 시스템을 만들어, 사용자 경험과 수익 가능성을 향상시킵니다. 

### Agent SubDAO의 구조

Agent SubDAO는 다음으로 구성됩니다:

1. **유동성 공급자(LP)**: 신뢰할 수 있는 검증자에게 LP 토큰을 스테이킹하는 유동성 공급자입니다. LP는 향상된 모델 품질과 그에 따른 에이전트의 더 높은 수익 창출 역량의 혜택을 받습니다. 
2. **검증자**: 에이전트가 사용하는 AI 모델의 품질과 성능을 평가하는 역할을 담당합니다. 검증자는 보상 또는 페널티를 받습니다 **자신의 투표 권한에 따라, 이는 다음에서 스테이킹된 토큰에 의해 결정됩니다.** 유동성 공급자(LP). 이 메커니즘은 다음을 따를 것입니다. [DPos를 통한 토큰 위임](/virtuals-protocol-whitepaper-ko/virtuals-1/the-protocol/virtual/subdao/dpos.md). 

## 스테이킹 및 보상 메커니즘

### 보상 분배

Agent SubDAO 거버넌스 모델 내의 보상은 다음 두 가지 주요 흐름에서 분배됩니다:

1. **에이전트 추론 결제:** 애플리케이션에서 각 AI 에이전트로 발생하는 추론 결제는 AgentDAO 재무로 분배됩니다. 
2. **프로토콜 발행:** 프로토콜은 다음에서 상위 성과를 내는 에이전트의 재무로 발행 보상을 제공합니다. [리더보드](/virtuals-protocol-whitepaper-ko/virtuals-1/the-protocol/virtual/agentfi.md). 이 메커니즘은 프로토콜 전반에 걸쳐 에이전트 품질을 유지하고 향상시키도록 설계되었습니다. 자신이 받는 스테이킹 권한의 지원을 받는 검증자들은 품질 기준을 유지하기 위한 지속적인 노력에 대해 보상을 받습니다. 이러한 발행은 검증자가 AI 모델을 신중하게 평가하도록 유도하여, 프로토콜의 성능 기준을 충족하도록 보장합니다.
3. **거래 수수료.** 에이전트 토큰과 관련된 모든 거래에는 1%의 세금이 부과됩니다(향후 조건에 따라 인하될 수 있음). 졸업 이후 에이전트에 대한 1% 세금의 50%는 Agent SubDAO 재무로 배정됩니다.

### 보상 활용

Agent SubDAO는 메커니즘이 활성화되면 거버넌스 투표를 통해 재무에 누적된 보상을 가장 잘 활용하는 방법을 결정할 수 있습니다.

### 검증자 보상

검증자는 투표 권한에 따라 보상을 받습니다. 더 높은 투표 권한(더 많이 위임된 LP 토큰에서 비롯됨)을 가진 검증자는 더 높은 보상을 받습니다.

### 페널티 시스템

검증자에게는 페널티도 적용됩니다. 검증자가 승인한 모델이 품질 기준을 충족하지 못하거나 애플리케이션에 부정적인 영향을 미치면, 검증자는 스테이킹한 토큰의 일부를 잃거나 투표 권한이 감소하는 페널티를 받을 수 있습니다. 이 시스템은 검증자가 자신이 승인한 모델에 대해 책임을 지도록 보장하며, 품질과 신뢰성에 집중하도록 유도합니다.

## 거버넌스 메커니즘

subDAO 내의 검증자들은 배포 및 업그레이드를 위해 AI 모델을 검토하고 승인합니다. 거버넌스 과정에 참여함으로써 검증자들은 품질 기준을 유지하고, 기준 미달의 모델이 배포되지 않도록 보장하여 애플리케이션의 무결성을 보호하고 가능한 최고의 사용자 경험을 제공합니다.

검증자는 유동성 공급자의 위임을 통해서만 투표 권한을 얻을 수 있습니다. 이 위임된 투표 권한이 subDAO의 거버넌스 결정에 대한 영향력을 결정합니다. 검증자가 보유한 투표 권한이 많을수록 모델 품질 결정에 대한 영향력도 커집니다.

### 투표 절차

투표 절차를 통해 검증자는 모델 업그레이드, 검증 및 기타 중요한 거버넌스 사안에 대한 제안에 투표할 수 있습니다. 투표는 검증자의 투표 권한에 따라 가중치가 부여되며, 이는 해당 검증자에게 스테이킹된 총량에 의해 결정됩니다. 과반수 표를 얻은 제안은 승인되어 실행되며, 이를 통해 subDAO는 다음을 수행할 수 있습니다:

* **모델 업그레이드**: 새로운 모델이 제안되고, 검토되며, 검증자들이 투표합니다. 승인되면 해당 모델이 구현됩니다.
* **페널티 부과**: 검증자들은 품질이 낮은 모델이 통과되도록 허용한 다른 검증자에 대한 페널티에 투표하여, 그들에게 책임을 묻고 전체 품질을 유지합니다.

### **모델 업그레이드**

모델을 검증할 때, 검증자에게는 비교를 위해 두 개의 모델이 익명으로 제시됩니다. 각 모델 쌍과 10라운드의 상호작용을 거치며 더 나은 응답을 선택합니다. 10라운드 후 최종 결과와 함께 투표가 제출됩니다.

모델 비교의 익명성은 검증자와 기여자 간의 담합과 편향을 방지하여 공정한 모델 선택 과정을 보장합니다.

Virtual Protocol은 모델 비교를 위해 Elo 등급 시스템을 채택했습니다.

#### Elo 등급 시스템 개선

다음에 기반하여 [토대](https://colab.research.google.com/drive/1RAWb22-PFNI-X1gPVzc927SGUdfr6nsR?usp=sharing) 를 다진 [Fastchat](https://github.com/lm-sys/FastChat)같은 선구자들의 작업을 바탕으로, 우리는 기존 Elo 등급의 안정성 문제를 인식하고 있습니다. 따라서 우리는 개선된 부트스트랩 버전의 Elo 등급 시스템을 구현하여, 모델 검증 결과의 안정성과 신뢰성을 높였습니다.

표준 Elo 등급 메커니즘은 다음과 같이 작동합니다: 

```python
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
        else:
            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)
```

### 데이터셋 기여

다른 사람들이 기여한 데이터셋을 사용해 모델을 미세 조정할 때, 모델이 획득한 Elo 점수는 해당 데이터셋의 품질을 나타냅니다. 제안된 모델과 기존 모델 간의 점수 차이에서 도출된 영향도 점수는 데이터셋으로 미세 조정한 후 제안된 모델이 더 우수한지를 결정합니다. 이를 통해 Virtual Protocol은 기여된 데이터셋에 대한 기준을 정립하고 영향도가 낮은 데이터셋은 거부할 수 있습니다.


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://whitepaper.virtuals.io/virtuals-protocol-whitepaper-ko/virtuals-1/the-protocol/virtual/subdao.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.