NEAR hat mit DeepSeek 600 Mathematikaufgaben gelöst und arbeitet daran, die On-Chain-Code-Audits zu einem „Spottpreis“ anzubieten.

Autor: Chang'an, Deep Tide TechFlow

Deep Tide Überblick: 672 Aufgaben aus dem nordamerikanischen Spitzenwettbewerb für Mathematikstudenten wurden vom NEAR AI-Team komplett mit Agenten gelöst. Die Gesamtkosten beliefen sich auf etwa 111 US-Dollar, im Durchschnitt 0,17 US-Dollar pro Aufgabe. Das NEAR AI-Team nutzte das chinesische Open-Source-Modell DeepSeek V4 für diesen Test. Es handelt sich hierbei nicht um einen einfachen Intelligenzwettbewerb der großen KI-Modelle – hinter der Abrechnung von Rechenleistung steckt ein Geschäft, das den teuren „formalen Nachweis“ von Smart Contracts für jedermann zugänglich machen will.

Die Testdaten eines Open-Source-Code-Repositorys zeigen transparent die tatsächlichen Kosten für das Lösen von Aufgaben mit großen Modellen.

Laut den Angaben von Alex Skidanov, dem Mitbegründer von NEAR Protocol, und den offiziellen Stellen hat der NEAR AI-Agent sämtliche 672 Mathematikaufgaben auf PutnamBench gelöst.

Für Leser, die noch nicht vertraut damit sind: PutnamBench ist kein gewöhnlicher Aufgabenpool, sondern eine als Benchmark umgesetzte Version der Aufgaben des renommierten nordamerikanischen Mathematik-Wettbewerbs (William Lowell Putnam) für Studierende.

Einfach gesagt: Die KI muss strenge mathematische Logik ableiten und prüfen, ob sie in der Lage ist, Aufgaben selbstständig zu lösen. Für alle Lösungen zusammen gab NEAR AI circa 111,85 US-Dollar aus. Das macht durchschnittlich 0,17 US-Dollar pro Aufgabe.

Zum Vergleich: Andere Lösungen, die die volle Punktzahl erreichen, fallen wesentlich teurer aus.

Nach Daten von MSBIntel liegt die durchschnittliche Einzelaufgabenkosten bei der Nutzung von OpenAI GPT-5.6 bei stolzen 44,5 US-Dollar; beim Anthropic-Modell Claude Opus 5 kostet jede Aufgabe ebenfalls 3,52 US-Dollar.

Im vorliegenden speziellen Test hat NEAR mit DeepSeek V4 gearbeitet und die Kosten damit auf ein Zweihundertfünfundfünfzigstel von GPT-5.6 gesenkt.

Public Chain löst Mathematikaufgaben – Ziel sind nicht Bildungsmärkte

Dass Public-Chain-Teams Mathematikaufgaben lösen, zielt nicht auf den Bildungsmarkt ab.

Kernforderung des PutnamBench-Tests ist die maschinelle Verifizierbarkeit: Von der AI generierte Lösungen dürfen nicht nur Text sein, sondern müssen als strenge Beweis-Codes in Lean 4 (eine gängige Beweisassistenten-Sprache) geschrieben werden.

Diese Codes dürfen keine Syntaxfehler enthalten, keine Ableitungsschritte überspringen und müssen zu 100 % maschinell verifiziert werden. In der Informatik ist dies als formale Verifikation bekannt – eine Schlüsseltechnologie.

In Bezug auf die Krypto-Branche gilt: Smart Contracts verwalten Vermögenswerte in Höhe von Hunderten Millionen oder sogar Milliarden US-Dollar. Traditionelle Code-Audits beruhen auf manueller Fehlersuche; formale Verifizierung hingegen beweist mithilfe strenger mathematischer Logik, dass der Code in jedem möglichen Zustand fehlerfrei ist.

Formale Verifikation galt lange als fatal teuer und langsam. Sie erfordert Spitzen-Sicherheitsexperten und lange Zeiträume, weshalb sie gewöhnlich nur für die finanzstärksten Projekte realistisch ist.

Der aktuelle Test von NEAR AI beweist die Machbarkeit, mit Open-Source-AI-Modellen zuverlässige mathematische Beweise in Serie zu generieren – und das zu niedrigen Kosten.

Demokratisierte Infrastruktur für On-Chain-Sicherheit

Die Zugangshürde für formale Verifikation auf wenige Cent zu senken, ist genau das Geschäftsfeld, das NEAR nun erschließt.

Der gesamte Code, der DeepSeek und Lean 4 verbindet, ist mittlerweile vollständig Open Source. Die nächsten von NEAR offiziell angekündigten Schritte sind, diese kosteneffizienten Tools direkt zur Sicherheitsprüfung des NEAR-Protokolls und zentraler Smart Contracts einzusetzen.

Du kannst dies also als Technologietransfer interpretieren – oder einfach als solides Handeln der Projektbeteiligten im Rahmen der AI-Geschichte.

Wenn Open-Source-AI stabil maschinenverifizierbare Codesicherheitsnachweise liefert, können künftig auch normale Entwickler und kleine Projekte für wenige Cent vor der Implementierung eine formale Verifizierung laufen lassen – dadurch sinkt die Wahrscheinlichkeit von Fehlern bei Smart Contracts.

Objektiv betrachtet hat dies allerdings keinen direkten Einfluss auf kurzfristige Kursschwankungen des NEAR-Tokens. Für die Basis des Public-Chain-Ökosystems bietet eine Investition von ein paar Dutzend Cents zur Risikoreduzierung jedoch deutlich mehr greifbaren kommerziellen Wert als millionenschwere, nachträgliche Schadensbegrenzungen.