In the AI value chain, model training is the most resource-intensive and technically demanding stage, fundamentally determining a model’s performance ceiling. Training methods generally fall into four categories: centralized, distributed, federated, and decentralized training. Centralized training is controlled by a single entity with high efficiency but poses risks of monopoly and resource barriers. Distributed training involves multi-node collaboration but remains centrally orchestrated. Feder

在 AI 的价值链中，模型训练是最重资源、最高门槛的环节，决定了模型能力上限。训练方式主要包括集中化、分布式、联邦学习与去中心化训练。集中化训练由单一机构统一控制，效率高但存在垄断与资源壁垒；分布式训练通过多节点协同，仍由中心化调度；联邦学习保留本地数据，适用于注重隐私的场景。去中心化训练代表开放与抗审查的未来路径，在无中心协调器的情况下，由多个节点协同完成训练。尽管具备去信任性与全球协作潜力，但仍面临设备异构、通信瓶颈、可信执行缺失等技术挑战。其生态可分为两类：前链条引擎专注模型预训练基础协议，由 Prime Intellect、Nous、Pluralis、Gensyn 等构建异步、可验证系统架构；后链条生态聚焦模型微调与部署，如 Pond、Bagel、RPS 等，提供 LoRA 微调、链上验证与推理 API 接口。Flock 则作为联邦学习路径的中间层，衔接训练与应用落地。我们相信，去中心化不仅是技术路径，更是价值主张。

Faced with the high costs and technical barriers of training traditional large language models (LLMs), Crypto AI is better positioned to focus on lightweight, specialized language models (SLMs). These models are fine-tuned on open-source LLMs using techniques like LoRA to build domain-specific expertise with lower resource requirements. Combined with agent architectures and Retrieval-Augmented Generation (RAG), they can be flexibly deployed in modular intelligent systems. Meanwhile, blockchain’s

面对传统 LLM 高门槛的训练成本和技术壁垒，Crypto AI 更适合聚焦于轻量级、专用化的 SLM（Specialized Language Model），借助 LoRA 等技术在开源模型基础上微调构建具备领域知识的小模型，并结合 Agent 架构与 RAG 技术灵活部署调用，形成模块化智能系统。与此同时，区块链的可验证性与激励机制，赋能小型模型、RAG 框架与 Edge 模型等轻量场景，实现数据、模型、调用行为的透明记录与价值归属。

AgentFi bridges AI and DeFi by automating stablecoin yield strategies through intelligent agents. This report spotlights Giza and its product ARMA, which combines ZK verification, AI strategies, and non-custodial execution. ARMA is live across L2s and integrates with major protocols. While still early, AgentFi offers strong potential for early adopters who believe in autonomous finance and its long-term value.

在稳定币收益策略日益丰富、但用户精力与执行效率受限的背景下，AgentFi 作为“AI + DeFi”融合的下一阶段范式，为 DeFi 用户提供了无需盯盘、自动优化的智能代理解法。本文以 Giza 与其核心产品 ARMA 为代表，系统梳理了 AgentFi 赛道的发展现状、技术特点与收益潜力。Giza 以“异认知金融”为理念基石，率先实现了 AI 策略 + 非托管执行的完整闭环，是当前少数兼具理念深度与产品实用性的 AgentFi 项目。ARMA 聚焦于稳定币收益优化，已上线多条链并集成主流借贷协议，配合结构化的代币激励机制，具备早期头矿效应。当然，我们也应清醒地认识到：AgentFi 仍处于极早期阶段，用户信任、执行稳定性与代币价值捕获机制均待市场进一步验证。但正因如此，对看重产品前景、愿意布局范式转型早期红利的用户与构建者而言，AgentFi 尤其是 Giza/ARMA，可能代表着智能体金融时代的先声与机会。

In the AI value chain, model training is the most resource-intensive and technically demanding stage, fundamentally determining a model’s performance ceiling. Training methods generally fall into four categories: centralized, distributed, federated, and decentralized training. Centralized training is controlled by a single entity with high efficiency but poses risks of monopoly and resource barriers. Distributed training involves multi-node collaboration but remains centrally orchestrated. Feder

在 AI 的价值链中，模型训练是最重资源、最高门槛的环节，决定了模型能力上限。训练方式主要包括集中化、分布式、联邦学习与去中心化训练。集中化训练由单一机构统一控制，效率高但存在垄断与资源壁垒；分布式训练通过多节点协同，仍由中心化调度；联邦学习保留本地数据，适用于注重隐私的场景。去中心化训练代表开放与抗审查的未来路径，在无中心协调器的情况下，由多个节点协同完成训练。尽管具备去信任性与全球协作潜力，但仍面临设备异构、通信瓶颈、可信执行缺失等技术挑战。其生态可分为两类：前链条引擎专注模型预训练基础协议，由 Prime Intellect、Nous、Pluralis、Gensyn 等构建异步、可验证系统架构；后链条生态聚焦模型微调与部署，如 Pond、Bagel、RPS 等，提供 LoRA 微调、链上验证与推理 API 接口。Flock 则作为联邦学习路径的中间层，衔接训练与应用落地。我们相信，去中心化不仅是技术路径，更是价值主张。

Faced with the high costs and technical barriers of training traditional large language models (LLMs), Crypto AI is better positioned to focus on lightweight, specialized language models (SLMs). These models are fine-tuned on open-source LLMs using techniques like LoRA to build domain-specific expertise with lower resource requirements. Combined with agent architectures and Retrieval-Augmented Generation (RAG), they can be flexibly deployed in modular intelligent systems. Meanwhile, blockchain’s

面对传统 LLM 高门槛的训练成本和技术壁垒，Crypto AI 更适合聚焦于轻量级、专用化的 SLM（Specialized Language Model），借助 LoRA 等技术在开源模型基础上微调构建具备领域知识的小模型，并结合 Agent 架构与 RAG 技术灵活部署调用，形成模块化智能系统。与此同时，区块链的可验证性与激励机制，赋能小型模型、RAG 框架与 Edge 模型等轻量场景，实现数据、模型、调用行为的透明记录与价值归属。

AgentFi bridges AI and DeFi by automating stablecoin yield strategies through intelligent agents. This report spotlights Giza and its product ARMA, which combines ZK verification, AI strategies, and non-custodial execution. ARMA is live across L2s and integrates with major protocols. While still early, AgentFi offers strong potential for early adopters who believe in autonomous finance and its long-term value.

在稳定币收益策略日益丰富、但用户精力与执行效率受限的背景下，AgentFi 作为“AI + DeFi”融合的下一阶段范式，为 DeFi 用户提供了无需盯盘、自动优化的智能代理解法。本文以 Giza 与其核心产品 ARMA 为代表，系统梳理了 AgentFi 赛道的发展现状、技术特点与收益潜力。Giza 以“异认知金融”为理念基石，率先实现了 AI 策略 + 非托管执行的完整闭环，是当前少数兼具理念深度与产品实用性的 AgentFi 项目。ARMA 聚焦于稳定币收益优化，已上线多条链并集成主流借贷协议，配合结构化的代币激励机制，具备早期头矿效应。当然，我们也应清醒地认识到：AgentFi 仍处于极早期阶段，用户信任、执行稳定性与代币价值捕获机制均待市场进一步验证。但正因如此，对看重产品前景、愿意布局范式转型早期红利的用户与构建者而言，AgentFi 尤其是 Giza/ARMA，可能代表着智能体金融时代的先声与机会。

Since 2024, AI Agents have rapidly emerged in the Web3 space as intelligent execution units bridging AI models and on-chain operations. Unlike traditional interfaces or bots, AI Agents are task-driven and autonomous, reshaping how on-chain interaction, execution, and value distribution are structured. The Agent technology stack can be broadly divided into three layers: Infrastructure Layer: Includes Agent frameworks, operating systems, identity modules, wallets, and payment systems — forming t

Since 2024, AI Agents have rapidly emerged in the Web3 space as intelligent execution units bridging AI models and on-chain operations. Unlike traditional interfaces or bots, AI Agents are task-driven and autonomous, reshaping how on-chain interaction, execution, and value distribution are structured. The Agent technology stack can be broadly divided into three layers: Infrastructure Layer: Includes Agent frameworks, operating systems, identity modules, wallets, and payment systems — forming t

2024 年起，AI Agent 在 Web3 迅速崛起，成为连接 AI 模型与链上操作的智能执行体。不同于传统 Interface 或 Bot，AI Agent 本身具备任务导向与自治能力，正在重塑链上交互、执行与收益分配的方式。 整个 Agent 技术栈大致可分为三层： 基础设施层：包括 Agent Framework、OS、身份、钱包、支付系统，为智能体提供运行环境； 协调与激励层：如 Orchestration 和 Swarm 架构，支持多智能体任务协作与经济激励； 应用层：涵盖 AgentFi、DApp、Launchpad、Meme 等不同应用路径。 其中，AgentFi 被视为最具“工程可行 + 经济价值”的落地方向，尤其在借贷套利、策略交易、LP 管理等场景已出现早期实践。其中 LP 管理（如 Uniswap V3 策略自动化）因涉及实时数据感知与链上调仓，是技术门槛最高、也最具创新潜力的赛道。 Theoriq 作为该方向的代表项目，通过 AlphaSwarm 构建三类智能体协同体系：Portal Agent 感知用户状态，Knowledge Agent 提供策略洞察，L

2024 年起，AI Agent 在 Web3 迅速崛起，成为连接 AI 模型与链上操作的智能执行体。不同于传统 Interface 或 Bot，AI Agent 本身具备任务导向与自治能力，正在重塑链上交互、执行与收益分配的方式。 整个 Agent 技术栈大致可分为三层： 基础设施层：包括 Agent Framework、OS、身份、钱包、支付系统，为智能体提供运行环境； 协调与激励层：如 Orchestration 和 Swarm 架构，支持多智能体任务协作与经济激励； 应用层：涵盖 AgentFi、DApp、Launchpad、Meme 等不同应用路径。 其中，AgentFi 被视为最具“工程可行 + 经济价值”的落地方向，尤其在借贷套利、策略交易、LP 管理等场景已出现早期实践。其中 LP 管理（如 Uniswap V3 策略自动化）因涉及实时数据感知与链上调仓，是技术门槛最高、也最具创新潜力的赛道。 Theoriq 作为该方向的代表项目，通过 AlphaSwarm 构建三类智能体协同体系：Portal Agent 感知用户状态，Knowledge Agent 提供策略洞察，L

We explore the evolution of DeFi from basic automation to fully autonomous financial agents, “AgentFi”, capable of perception, strategy generation, and on-chain execution. We outline three phases: rule-based Automation Infrastructure, intent-driven Copilots (e.g., HeyElsa, Bankr), and intelligent AgentFi systems (e.g., Giza ARMA, Theoriq). The most compatible use cases for AgentFi are yield-generating strategies like lending and liquidity mining, due to their optimization potential and dynamic c

We explore the evolution of DeFi from basic automation to fully autonomous financial agents, “AgentFi”, capable of perception, strategy generation, and on-chain execution. We outline three phases: rule-based Automation Infrastructure, intent-driven Copilots (e.g., HeyElsa, Bankr), and intelligent AgentFi systems (e.g., Giza ARMA, Theoriq). The most compatible use cases for AgentFi are yield-generating strategies like lending and liquidity mining, due to their optimization potential and dynamic c

我们探讨了 DeFi 的演进路径——从基础的自动化逐步发展为具备感知能力、策略生成与链上执行能力的自治金融智能体，即“AgentFi”。我们将这一演进划分为三个阶段：规则驱动的自动化基础设施、意图驱动的 Copilot 系统（如 HeyElsa、Bankr），以及具备自主智能的 AgentFi 系统（如 Giza ARMA、Theoriq）。在众多应用场景中，最契合 AgentFi 的是具备收益生成能力的策略型业务，例如借贷与流动性挖矿，因为它们具有广阔的优化空间与高度动态的环境。Pendle、Brahma 和 Almanak 等项目正在通过集成模块化策略引擎、多智能体协作机制和 AI 决策闭环来推进这一前沿方向。尽管仍处于早期阶段，AgentFi 正标志着 DeFi 进入一个新的阶段——从被动响应工具迈向具备适应能力的金融智能系统。

我们探讨了 DeFi 的演进路径——从基础的自动化逐步发展为具备感知能力、策略生成与链上执行能力的自治金融智能体，即“AgentFi”。我们将这一演进划分为三个阶段：规则驱动的自动化基础设施、意图驱动的 Copilot 系统（如 HeyElsa、Bankr），以及具备自主智能的 AgentFi 系统（如 Giza ARMA、Theoriq）。在众多应用场景中，最契合 AgentFi 的是具备收益生成能力的策略型业务，例如借贷与流动性挖矿，因为它们具有广阔的优化空间与高度动态的环境。Pendle、Brahma 和 Almanak 等项目正在通过集成模块化策略引擎、多智能体协作机制和 AI 决策闭环来推进这一前沿方向。尽管仍处于早期阶段，AgentFi 正标志着 DeFi 进入一个新的阶段——从被动响应工具迈向具备适应能力的金融智能系统。