subnet-2

给去中心化 AI 推理加上可验证证明

开源 🏷️定价信息待确认 ⏳ 访问状态待核验 基础设施 🍴 复刻 131 🐛 待处理 13 👀 关注 60 ⚠️ 作者已归档(停止维护)
访问官网 ↗ GitHub ↗
GitHub 星标 ★ 2463
维护状态 较活跃
是否开源 开源
定价模式 🏷️定价信息待确认

项目预览

subnet-2 项目界面预览图
图片来源:项目官网

项目数据

分类基础设施
开发团队inference-labs-inc
定价模式🏷️定价信息待确认
价格说明定价信息待确认
访问状态⏳ 访问状态待核验
是否开源是
开源协议MIT
主要语言Rust
技术栈/模型bittensor,zk,zkml
GitHub 星标★ 2463
上线时间2024-04-10 00:00:00
代码更新2026-10-20
仓库体积53.2 MB
本站数据更新2026-11-08
维护状态较活跃
收录时间2026-11-08
浏览次数0

项目介绍

subnet-2 是 Bittensor 网络上的一个子网项目,用 Rust 实现,聚焦可验证推理(verifiable inference)。它要解决的问题是:在去中心化算力网络中,节点声称完成了某个机器学习模型的推理,但调用方无法确认结果是否真实、模型是否被篡改。项目结合 zk(零知识证明)与 zkML 思路,让推理过程可被密码学验证,从而把「信任节点」变成「验证证明」。核心能力包括:定义子网内的推理任务与验证协议、生成和校验推理证明、以 Rust 构建高性能证明与校验组件,并与 Bittensor 的激励与质押机制衔接,让诚实验证者获得奖励。适合需要可审计 AI 推理的链上或分布式场景。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化,观测越久曲线越完整

数据来源:GitHub API 逐日快照 · 收录于 2026-11-08 · 当前星标 ★ 2463

使用教程

难度:进阶 约 20 分钟 部署方式:Docker 6 步

环境要求

  • Linux 或 macOS 系统,安装脚本会自动检测平台
  • 已安装 Docker(容器方式运行)或 Docker Compose(推荐方式)
  • 已有一个 Bittensor 钱包,并知道 wallet name 与 hotkey 名称
  • 本机存在 .bittensor 钱包目录,用于挂载进容器
  • 可访问 GitHub Releases 与 ghcr.io 镜像仓库以下载二进制和镜像

安装与启动步骤

  1. 1准备钱包与目录

    确认已有 Bittensor 钱包名称与 hotkey 名称,并记录本机 .bittensor 目录的绝对路径,后面要挂载到容器内。

  2. 2安装预编译二进制

    脚本自动识别平台、下载最新 release、校验 SHA256 并安装到 /usr/local/bin。

    curl -fsSL https://raw.githubusercontent.com/inference-labs-inc/subnet-2/main/install.sh | bash
  3. 3单独安装组件

    只需要矿工或验证者时,在脚本后追加组件名 sn2-miner 或 sn2-validator,二者选其一。

    curl -fsSL https://raw.githubusercontent.com/inference-labs-inc/subnet-2/main/install.sh | bash -s -- sn2-miner
  4. 4Docker 启动矿工

    把挂载路径换成你的 .bittensor 目录,钱包名换成实际名称,映射矿工端口 8091。

    docker run -d \
      --name subnet-2-miner \
      -p 8091:8091 \
      -v /your/path/.bittensor:/home/subnet2/.bittensor \
      -e PUID=1000 \
      -e HOME=/home/subnet2 \
      --restart unless-stopped \
      ghcr.io/inference-labs-inc/subnet-2:latest \
      sn2-miner \
      --wallet-name my-miner \
      --wallet-hotkey my-miner-hotkey \
      --netuid 2
  5. 5Docker 启动验证者

    验证者映射 8443 与 9090 两个端口,同样挂载 .bittensor 目录并填写钱包信息。

    docker run -d \
      --name subnet-2-validator \
      -p 8443:8443 \
      -p 9090:9090 \
      -v /your/path/.bittensor:/home/subnet2/.bittensor \
      -e PUID=1000 \
      -e HOME=/home/subnet2 \
      --restart unless-stopped \
      ghcr.io/inference-labs-inc/subnet-2:latest \
      sn2-validator \
      --wallet-name my-validator \
      --wallet-hotkey my-validator-hotkey \
      --netuid 2
  6. 6查看容器日志

    用容器名跟踪日志,检查启动参数、钱包加载与端口监听是否正常。

    docker logs -f subnet-2-miner

关键配置

配置项必填说明示例
--wallet-name是Bittensor 钱包名称,容器启动必需的参数my-miner
--wallet-hotkey是钱包内 hotkey 名称,矿工与验证者各自对应my-miner-hotkey
--netuid是子网编号,本项目固定为 22
PUID否容器内运行进程的用户 ID,通常与宿主用户一致1000
卷挂载路径是把宿主 .bittensor 目录映射到容器内同路径,保证钱包可读/your/path/.bittensor:/home/subnet2/.bittensor

如何确认成功

执行 docker ps,subnet-2-miner 或 subnet-2-validator 状态为 Up,且 8091 或 8443、9090 端口已映射。

常见问题

Q:只想运行矿工或只想运行验证者怎么办?

A:两种方式都可以:安装时给 install.sh 追加 sn2-miner 或 sn2-validator 参数;容器方式只启动对应的那个 docker run 或 compose 服务即可。

Q:如何安装测试网构建?

A:改用 testnet 分支的安装脚本,并设置环境变量 NETWORK=testnet,例如:curl ... /testnet/install.sh | NETWORK=testnet bash。

Q:端口被占用启动失败怎么办?

A:矿工默认用 8091,验证者用 8443 和 9090。调整 docker run 左侧的宿主端口映射,避免与已有服务冲突。

Q:镜像如何自动更新?

A:README 的 compose 示例带 watchtower 服务,通过 com.centurylinklabs.watchtower.enable 标签启用,按 60 秒间隔检查并清理旧镜像。

Q:容器报钱包读取失败怎么排查?

A:检查 -v 挂载的宿主路径是否指向真实的 .bittensor 目录,以及 --wallet-name、--wallet-hotkey 是否与该目录下已有的钱包一致。

注意事项

  • README 顶部说明 Subnet 2 已更名为 Dani Labs,安装前建议先看官方文档确认最新流程。
  • 二进制安装会把 sn2-miner、sn2-validator 写入 /usr/local/bin,需要相应写权限。
  • compose 方式是 README 推荐做法,可与 watchtower 配合实现镜像自动更新。
  • 项目 Rust 源码构建方式 README 未给出,本教程不涉及源码编译步骤。

核心亮点

  • 用零知识证明把推理结果变成可校验的密码学证据,降低对节点诚信的依赖
  • 基于 Rust 实现,性能与内存安全兼顾,便于构建证明生成与校验的高负载组件
  • 与 Bittensor 子网激励结合,验证者与矿工有经济约束,形成可持续的验证生态

不足之处

  • zkML 证明生成开销大,当前对大模型或高吞吐场景仍不实用
  • 项目处于成长阶段,协议与接口可能频繁变动,生产接入需谨慎

适用场景

  • 去中心化算力网络中校验矿工提交的模型推理结果
  • 需要审计留痕的 AI 推理服务,为输出附带可验证证明
  • 研究 zkML 与区块链激励结合机制的实验平台

替代项目

ezkl、Modulus Labs、Bittensor

上一篇:ncnn

下一篇:inference-gateway

同类项目推荐

feast 开源

统一管理 ML 特征,让训练和上线用同一份数据

The Open Source Feature Store for AI/ML

★ 7355 2026-08-09
turbo-fieldfare 开源

在 MacBook 上2GB内存跑26B大模型

Gemma 4 26B-A4B inference in ~2 GB of RAM on any M-series MacBook

★ 7296 2026-08-09
VecturaKit 开源

在苹果设备上本地跑向量检索,构建隐私安全的 RAG 应用

Swift-based vector database for on-device RAG using MLTensor and MLX Embedders

★ 327 2026-08-09
janas 开源

纯 C 写的本地推理引擎,小内存也能跑超大模型

37 tok/s from Qwen3-Next-80B (48 GB) on a 32 GB laptop, 24 without drafts vs 2.8 for···

★ 654 2026-11-06
qaboard 开源

把实验记录整理成册,一键对比调参结果

Quality tracking for people and agents Tests tell you it runs. QA-Board shows you i···

★ 55 2026-08-09
OnnxStream 开源

让树莓派跑SDXL,低内存设备也能玩转大模型

Lightweight inference library for ONNX files, written in C++. It can run Stable Diff···

★ 2087 2026-08-09
ChannelMonitor 开源

定时自动测试渠道模型,故障秒级标记,减少 API 报错

Channel Monitor 是一个用于监控OneAPI/NewAPI/OneHub渠道的工具,它直接读取channels和ab···

★ 291 2026-08-09
vllm-jev 开源

让 Jev 决策模型直接用 vLLM 跑起来

Native vLLM serving for Jev decision models

★ 947 2026-10-28
traceAI 开源

给 AI 应用装上监控,追踪调用链和成本

Open Source AI Tracing Framework built on Opentelemetry for AI Applications and Fram···

★ 266 2026-08-09