Gate News melaporkan bahwa pada 17 Maret, QVAC Fabric di bawah Tether meluncurkan kerangka kerja LoRA fine-tuning lintas platform pertama di dunia yang ditujukan untuk Microsoft BitNet (LLM satu bit), secara signifikan menurunkan ambang batas GPU memory dan daya komputasi untuk pelatihan model besar. Kerangka kerja ini mendukung LoRA fine-tuning dan akselerasi inferensi pada Intel, AMD, Apple Silicon M series, dan mobile GPU (termasuk Adreno, Mali, dan Apple Bionic).

Sentry co-founder David Cramer menyatakan bahwa model bahasa besar tidak meningkatkan produktivitas, sebaliknya menghasilkan kode yang kompleks dan memperlambat kecepatan pengembangan. Dia mempertanyakan metode pembuatan kode otomatis, percaya bahwa kualitas output lebih rendah, terutama dalam pengembangan inkremental dan konsistensi gaya. Berdasarkan pengalaman pribadinya, dia menunjukkan bahwa pembangunan perangkat lunak tetap sulit, dan perubahan pada tingkat psikologis mempengaruhi kontribusinya.

China Academy of Information and Communications Technology dan tim universitas menemukan kerentanan injeksi perintah yang didorong oleh LLM dalam modul bash-tools saat melakukan audit terhadap kerangka kerja open-source OpenClaw. Penyerang dapat mengeksekusi kode jarak jauh dan mencuri data melalui induksi perintah. Proses pengungkapan kerentanan telah dimulai dan saran perbaikan telah diajukan.

Xie Saining dalam wawancara mengkritik jalur pengembangan AI yang didominasi oleh model bahasa besar saat ini, dengan menganggap bahwa hal tersebut membatasi pembelajaran AI terhadap dunia nyata, dan menekankan keunggulan model dunia. Dia percaya bahwa membangun agen cerdas yang dapat bertahan di dunia nyata lebih menantang, menyebutkan bahwa AMII Labs fokus pada pengumpulan data nyata, dan berencana meluncurkan kacamata pintar AI dan robot di masa depan.

Subnet Bittensor Templar menyelesaikan pretraining model bahasa terdesentralisasi Covenant-72B dengan 72 miliar parameter pada 10 Maret. Model ini menunjukkan performa luar biasa dalam tes MMLU, melampaui beberapa model baseline terpusat. Proyek ini menarik kolaborasi dari lebih dari 70 node, dengan semua bobot dan checkpoint dirilis di bawah lisensi Apache. Dipengaruhi oleh berita ini, Bittensor dan tokennya mengalami kenaikan secara umum.

OpenClaw merilis versi v2026.3.8 pada 8 Maret, menambahkan fitur cadangan status lokal, Mode Bicara untuk transkripsi otomatis, dan mode LLM Context pencarian web Brave, serta memperbaiki beberapa masalah. Total ada 43 kontributor yang terlibat dalam pengembangan.

Tim peneliti ETH Zurich menguji kemampuan konsensus Byzantine dari LLM Agent dan menemukan bahwa bahkan tanpa node jahat, tingkat konsensus yang efektif hanya sebesar 41,6%. Seiring bertambahnya node, kesulitan mencapai kesepakatan meningkat, dan setelah menambahkan node jahat, situasinya semakin memburuk. Kesimpulan penelitian menunjukkan bahwa saat ini LLM Agent belum dapat diandalkan dalam hal konsensus yang andal, dan penerapan desentralisasi harus dilakukan dengan hati-hati.

Pendiri Eureka Labs, Andrej Karpathy, merilis proyek open source autoresearch pada 8 Maret, menggunakan mode "Manusia menulis Markdown, AI menulis kode", memungkinkan pengembang untuk mendefinisikan arah penelitian melalui program.md, dan AI secara otomatis mengoptimalkan kode. Setiap jam dapat melakukan sekitar 12 eksperimen, dari 83 eksperimen yang ditampilkan, 15 di antaranya menunjukkan peningkatan yang efektif. Proyek ini berbasis NVIDIA GPU dan PyTorch, telah diuji pada H100 dan mengikuti lisensi MIT.

Clawnch dan Bankr menjalin kemitraan strategis, Bankr akan menjadi platform dasar untuk penerbitan token dan proyek Clawnch. Selain itu, gateway LLM Bankr akan menjadi bagian inti dari proyek baru Clawnch, OpenClawnch. Kerja sama ini bertujuan untuk memperkuat infrastruktur Clawnch, dan biaya penerbitan proyek akan sedikit dinaikkan.

Minara merilis Minara Skill v2, meningkatkan kemampuan keuangan digital AI Agent, mendukung pengelolaan aset multi-chain, deposit kartu kredit, dan fitur lainnya, serta mewujudkan transaksi Gasless, menurunkan ambang penggunaan. Selain itu, mengintegrasikan LLM lokal untuk meningkatkan kemampuan percakapan pribadi dan pengambilan keputusan transaksi.