Alocação de Tokens e Cronograma de Liberação
O token OPEN é distribuído para reforçar os princípios fundamentais da blockchain OpenLedger AI. Ele recompensa a contribuição de dados verificados, apoia o desenvolvimento de modelos e possibilita uma rede de propriedade comunitária. Cada alocação está atrelada a uma utilidade real. Desde impulsionar recompensas de Prova de Atribuição e taxas de inferência até financiar projetos em estágio inicial através do OpenCircle, a distribuição garante que o OPEN flua para aqueles que contribuem para a inteligência da rede. A maior parte é reservada para o ecossistema, criando incentivos de longo prazo para contribuintes de dados, construtores de modelos, validadores e desenvolvedores de agentes para construir e operar onchain.
A oferta total de OPEN é limitada a 1.000.000.000 tokens. No lançamento, 21,55% da oferta total estará em circulação. O restante será desbloqueado ao longo do tempo com base em cronogramas definidos. Isso inclui alocações para recompensas da comunidade, primeiros colaboradores e liquidez do ecossistema, garantindo participação significativa e crescimento sustentável.
Recompensas da Comunidade & Ecossistema - 61,71%
A maior parte da oferta de tokens OPEN, 61,71%, é alocada para apoiar o ecossistema OpenLedger e seus colaboradores. Esta categoria alimenta os sistemas de recompensas da rede, incentivos de modelo, subsídios para desenvolvedores e infraestrutura de bens públicos. A alocação é projetada para voltar às mãos daqueles que contribuem de forma significativa através de dados, modelos, agentes ou ferramentas.
Pagamentos de Prova de Atribuição
A camada de atribuição da OpenLedger torna possível rastrear quais conjuntos de dados influenciam a saída de um modelo. Colaboradores que fornecem dados de alto impacto são recompensados diretamente desse fundo. O sistema verifica a atribuição na blockchain, garantindo que os contribuintes de dados recebam OPEN com base na influência real em vez de especulação ou reputação. Isso cria um mecanismo de recompensa mais justo, enraizado no comportamento verificável do modelo.
