Récemment, des questions ont été soulevées concernant le mécanisme de répartition des revenus d'OpenLedger, certains estimant que son système basé sur la preuve d'attribution pourrait comporter des failles. Pour vérifier cette hypothèse, j'ai mené une série d'expériences, essayant différentes méthodes pour tester la capacité du système à résister à la tricherie. Voici cinq tentatives et leurs résultats :

1. Test de surcharge de données :
Un grand nombre de contenus de questions-réponses copiés-collés ont été téléchargés. En conséquence, le système les a rapidement identifiés et rejetés, pour la raison suivante : "source inconnue/données répétées". Cela montre que le mécanisme de vérification de la plateforme et le système de vote de la communauté peuvent efficacement intercepter les contenus de faible qualité.

2. Expérience de contenu pseudo-original :
Modifiez légèrement la FAQ existante avant de la télécharger. Bien que certaines parties aient été approuvées, en raison de leur mauvaise qualité, elles n'ont presque pas été utilisées, ce qui empêche d'obtenir une répartition des bénéfices. Cela reflète que le système associe étroitement la qualité du contenu à son utilisation réelle.

3. Test de remplissage d'informations sensibles :
Essayer de télécharger des données contenant des informations sensibles telles que des numéros de téléphone et des numéros d'identité. Le système refuse immédiatement et émet un avertissement sur le compte. Cela met en évidence les exigences strictes de la plateforme en matière de conformité des données.

4. Expérience de bourrage de mots-clés :
Utilisez des mots-clés populaires pour nommer les modèles LoRA, comme "ChatGPT Pro". Bien que cela ait entraîné quelques clics à court terme, cela a rapidement été signalé comme une violation et retiré. Cela montre que le mécanisme de liste noire efficace de la plateforme peut freiner ce type de comportement.

5. Tentative de falsification de routage des comptes :
En essayant de falsifier le chemin d'appel par le biais de scripts proxy. Cependant, le système est capable de retracer le véritable lien de contribution, rendant cette méthode totalement inefficace. Cela prouve la puissance de la vérification on-chain de la Proof of Attribution.

À travers ces expériences, j'ai tiré une conclusion claire : sur la plateforme OpenLedger, toute forme de "ruse" est difficile à traduire en bénéfices réels. Que ce soit le spam, la contrefaçon d'originalité, l'utilisation d'informations sensibles ou le fait de surfer sur la popularité, tout cela sera détecté et arrêté par le système.

D'un autre côté, la plateforme encourage la création de contenus de haute qualité et de modèles LoRA ciblant des scénarios spécifiques. Seuls les contenus vraiment précieux et fréquemment sollicités peuvent générer des revenus substantiels dans la répartition. Ce mécanisme protège non seulement les intérêts des créateurs, mais garantit également la qualité globale du contenu de la plateforme.

Dans l'ensemble, le mécanisme de preuve d'attribution d'OpenLedger démontre sa grande capacité à prévenir la fraude. Pour les créateurs de contenu, se concentrer sur la fourniture de contenu de haute qualité et de valeur est la bonne direction pour réussir sur cette plateforme.