NEAR ha utilizzato DeepSeek per risolvere 600 problemi matematici e sta trasformando l’audit del codice on-chain in qualcosa di “estremamente economico”.

Autore: Chang'an, TechFlow di Deep Tide

Introduzione Deep Tide: 672 problemi provenienti dalle principali gare universitarie di matematica nordamericane sono stati tutti risolti dall’Agent del team NEAR AI. La spesa totale è stata di circa 111 dollari, con una media di 0,17 dollari per domanda. Il team NEAR AI ha utilizzato il modello open source cinese DeepSeek V4 per questa prova. Non si tratta solo di una gara di intelligenza tra grandi modelli linguistici: dietro il costo computazionale si intravede un business infrastrutturale che mira a rendere la “verifica formale” dei costosi smart contract accessibile a tutti.

I dati di test di una repository open source hanno rivelato i costi reali della risoluzione dei problemi da parte dei grandi modelli linguistici.

Recentemente, secondo i dati pubblicati dal cofondatore di NEAR Protocol Alex Skidanov e dal canale ufficiale, l’Agent di NEAR AI ha risolto tutti i 672 problemi matematici della PutnamBench.

Per chi non lo sapesse, la PutnamBench non è una semplice raccolta di esercizi: è un benchmark che formalizza i quesiti della più prestigiosa competizione matematica universitaria nordamericana (William Lowell Putnam).

In parole semplici, si tratta di far svolgere all’AI rigorose deduzioni logico-matematiche e vedere se riesce a risolvere i problemi da sola. Per completare tutte le soluzioni, NEAR AI ha speso circa 111,85 dollari. In media, il costo per problema è stato di 0,17 dollari.

Per confronto, i costi delle altre soluzioni che hanno ottenuto il punteggio massimo sono molto più alti.

Secondo i dati raccolti da MSBIntel, usando GPT-5.6 di OpenAI, il costo medio per domanda è arrivato fino a 44,5 dollari; con Claude Opus 5 di Anthropic, ogni domanda costa comunque 3,52 dollari.

In questo specifico test, NEAR ha scelto DeepSeek V4, riducendo i costi a un duecentocinquantesimo di quelli di GPT-5.6.

Le blockchain risolvono problemi di matematica: un interesse che va oltre la didattica

I team delle blockchain che dedicano risorse alla soluzione di problemi matematici non puntano al mercato dell’istruzione.

Il requisito centrale del PutnamBench è la verificabilità da parte delle macchine: le risposte AI non devono essere solo semplici testi, ma rigorose dimostrazioni codificate in Lean 4 (un linguaggio di proof assistant ampiamente utilizzato).

Questi codici non devono contenere errori sintattici, non possono saltare passaggi di deduzione e devono essere verificati al 100% dalla macchina. Nel campo dell’informatica, questo corrisponde a una tecnologia chiave: la verifica formale.

Nell’ambito crypto, gli smart contract gestiscono fondi per centinaia di milioni o addirittura decine di miliardi di dollari. L’audit tradizionale del codice si basa sulla ricerca manuale delle vulnerabilità, mentre la verifica formale applica la logica matematica per dimostrare linea per linea che il codice non presenterà mai errori in nessuno stato possibile.

Per molto tempo, il principale svantaggio della verifica formale è stato il suo costo elevato e la lentezza: servono i migliori esperti di sicurezza e tempi prolungati, accessibili solo ai progetti con le risorse maggiori.

Questo test di NEAR AI ha dimostrato la fattibilità di produrre in massa prove matematiche affidabili con modelli AI open source, oltre a certificarne il basso costo.

Un’infrastruttura accessibile per la sicurezza on-chain

Abbattere la barriera d’ingresso della verifica formale a pochi centesimi: questa è la vera direzione su cui NEAR sta lavorando.

Attualmente, il codice che integra DeepSeek e Lean 4 è stato completamente open source. Il prossimo passo dichiarato ufficialmente da NEAR è applicare direttamente questi strumenti a basso costo alla verifica di sicurezza dello stesso protocollo NEAR e dei suoi smart contract principali.

Possiamo quindi interpretarlo come una democratizzazione della tecnologia, o più semplicemente come un esempio concreto del coinvolgimento dei team di progetto e della narrazione legata all’AI.

Se le AI open source riusciranno a produrre stabilmente prove di sicurezza del codice verificabili da macchine, in futuro anche gli sviluppatori comuni e i piccoli team potranno eseguire una verifica formale prima del deployment del contratto, abbassando il rischio di errori negli smart contract con una spesa di pochi centesimi.

Tuttavia, oggettivamente parlando, questo non è direttamente collegato al prezzo a breve termine del token NEAR. Ma nella competizione tra blockchain a livello di infrastruttura, spendere pochi centesimi per individuare i rischi è molto più prezioso dal punto di vista commerciale che intervenire con milioni dopo un incidente.