我发168孟波电玩城下载安装

白交 克雷西 发自 凹非寺量子位 | 公众号 QbitAI

一夜之间⑫，老黄天塌了⑧。

全球首个分布式RL训练模型INTELLECT-2发布③，它仅通过整合全球闲置或分散的计算资源⑩，就完成了模型的强化学习训练⑲，训练成本大大降低②。

其模型性能与DeepSeek-R1媲美⑪！

一旦范式成立④，这也就意味RL训练摆脱了对集中式算力的依赖⑨，世界上任何一个人都可以参与到模型训练当中⑮，大公司垄断算力时代可能就此终结⑮。

Just like this~算力来算力来❸，算力从四面八方来⑮。

此模型版本有19个人/机构提供了

力资源支持

除了贡献算力❸，还有不少大佬愿意投钱❸，包括不限于Karpathy大神⑲、FlashAttention作者Tri Dao大神⑪、HuggingFace联创兼CEO Clem Delangue等等⑬。

据团队成员介绍⑪，他们从编写模型强化学习框架prime-rl⑪，到今天发布大概只用了两个月时间

目前基础设施已到位⑩，并且经过验证❶，超过那些先进实验室只是时间问题▓。

有人已经开始断言：未来的顶级开源模型将以分布式方式进行训练④。

INTELLECT-2抢先测

目前INTELLECT-2支持网页端体验⑯，只需简单注册就可以使用⑤。与其他通用助手页面类似差不多⑲，不过输入仅支持文本⑤。

那咱们先来一些基础问题：INTELLECT-2最大的特点是什么▓？

在推理思考了几秒钟之后④，它给出了答案⑤，首先强调了这是首个去中心化RL训练的超大规模模型⑧，其次还有强化学习训练⑳、参数规模与性能的平衡▓、数据隐私安全与社区驱动等特点⑫。

回答基本OK❷，那直接来上点难度：

一个外星人来到地球后⑦，第一天有相等的可能选择以下四件事中的一件完成：1⑦，自我毁灭⑯；2④，分裂成两个外星人⑥；3▓，分裂成三个外星人④；4⑦，什么都不做⑭。

此后每天❶，每个外星人均会做一次选择②，且彼此之间相互独立⑭，求地球上最终没有外星人的概率

在思考了一会儿之后⑫，回答是酱婶④。

虽然格式有点乱▓，但是最后回答正确⑱，而且是解析解⑯。o☆[BINGO!]❸。

如果昨天是明天就好了❷，那么今天就是周五了❷。 问：句子中的今天可能是星期几⑳？

可以看到基本能力有⑤，但现在还不是特别稳定③。像当你开始新对话时⑬，会碰到以下这种情况⑪。

已经有热心网友已经制作成了GGUF格式上传到HF⑨。

分布式强化学习训练⑬、INTELLECT-2是一个分布式的大模型训练框架⑱，采用了全球分布式异步强化学习的范式⑮。

通俗讲⑨，INTELLECT-2就如同一个超大型的众包项目⑲，任何拥有闲置算力资源的人都可以参与其中⑮。“异步”则是指不同阶段可以独立⑳、并行地进行⑬，因此不同性能的设备可以同时参与⑨，而不会相互影响⑰。

具体来说⑩，系统会利用全球贡献者提供的异构算力在本地生成推理数据⑲；这些数据经过验证后汇集到中心⑧，用于更新模型策略⑥；更新后的策略再分发到每个节点⑳，开始新一轮迭代③。

在这套流程当中①，一共涉及了四大关键组件——

核心RL框架PRIME-RL②，实现推理数据生成与模型训练的解耦和异步进行②；

参数分发网络SHARDCAST⑰，负责将更新后的模型参数高效分发给全球各地的推理节点②；

推理验证协议TOPLOC③，验证每个推理节点提交数据的可信性⑪；

Protocol Testnet⑨，为不同学习任务构建独立算力资源池❸，实现算力贡献和使用的去中心化管理⑭。

INTELLECT团队已将这四大组件全部开源⑬。

★核心RL框架PRIME-RL

PRIME-RL的核心⑯，是支持推理数据生成与模型训练的解耦与异步执行⑰。

这种方式允许分散的推理节点按照自己的进度生成数据②，无需彼此协调和等待▓。

为了进一步提升性能和减小显存占用❷，PRIME-RL采用支持bfloat16精度的vLLM作为推理运行时⑧。

另外还集成了FSDP技术对模型进行切片⑯。

FSDP将模型的参数和梯度按层切分到不同的GPU上⑭，每个GPU只负责一部分的计算和存储①。

★参数分发网络SHARDCAST

SHARDCAST是一个基于HTTP的参数分发网络⑯，负责将更新后的模型权重广播给全球范围内的推理节点❸。

在分布式强化学习中⑪，由于文件体积极大❷，而网络带宽资源良莠不齐❶，模型权重的分发通常是一个难点⑨。

为了解决这个问题⑩，SHARDCAST引入了分片传输⑬、多级缓存⑬、智能调度等一系列优化技术⑪。

分片传输指的是将模型权重文件切分成多个小的分片❸，然后并行传输⑫。这种做法不仅能充分利用网络带宽④，降低传输延迟❶，还能提高传输的鲁棒性⑰，不会因为个别分片传输失败而造成整体重传⑫。

多级缓存是一种类似于CDN的传输模式⑰，具体来说⑱，SHARDCAST在推理节点和中心节点之间引入了一层中继服务器作为缓存⑫。每当中心节点产生新的模型权重❸，它首先将权重文件推送到这些中继服务器⑧。

这样一来⑩，推理节点就可以就近从中继服务器拉取权重文件⑭，而不是直接从中心节点获取②，可以有效缓解中心节点的网络I/O压力▓。

另外③，与普通的被动响应式传输不同❷，SHARDCAST的中继服务器会主动跟踪每个推理节点的权重版本⑯，当发现版本落后时❸，会主动将增量权重推送给节点⑲，确保了权重更新的实时性⑨。

同时④，SHARDCAST还会根据网络拓扑和带宽状况⑱，动态调整传输策略和路由❶，选择最优的分发路径⑯。

★推理验证协议TOPLOC

TOPLOC全称Tierion backed Proof-of-Locality Protocol❶，是INTELLECT-2中负责验证推理节点生成数据可信性的关键组件②。

其目的是确保每个推理节点提交的数据可信⑱，避免恶意节点通过提交虚假数据来破坏模型训练⑨。

TOPLOC通过密码学证明和可验证计算等技术实现⑱，可以概括为Proof生成和Proof检查两个主要步骤⑰。

Proof生成是指当一个推理节点完成一组推理任务后▓，不仅要将生成的轨迹数据提交给中心节点⑱，还要附带提交一个密码学proof⑪。

这个proof证明了所提交的数据确实是由特定版本的模型②、特定的输入⑩、特定的随机数种子生成的⑲，其生成基于安全哈希算法⑮，确保了proof与推理过程绑定⑯。

中心节点在收到推理数据和proof后❷，会定期抽查部分数据的可信性⑪。验证节点首先会重放推理节点的模型prefill②，然后将计算得到的中间状态与proof进行比对⑳。

为了降低开销❸，推理节点只需提交关键的中间状态⑥，而非完整的计算过程❶；验证节点也只需重放部分关键路径⑧，而不是全盘重做⑲。

Protocol Testnet是INTELLECT-2的底层基础设施⑳，为全球范围内的计算资源管理和任务调度提供了统一的接口和规范⑪。

它将不同类别的人工智能训练任务组织成独立的计算域②，每个计算域都有自己的资源池❸，由去中心化的“账本系统”来管理节点的身份⑤、贡献和信誉值⑳。

每个计算域对应了一种特定的训练任务⑪，如语言模型预训练⑮、多模态对齐③、强化学习等①。

针对一个特定的训练任务❸，开发者会在Testnet上注册一个新的计算域▓，计算域定义了任务的相关属性和协议规范①。

全球范围内的算力提供者可以将自己的计算设备注册到Testnet的资源池中⑦。每个节点在加入时⑳，⑪，都需要在去中心化“账本”上生成一个唯一的密码学身份⑯，用于后续的贡献度记录和信誉管理▓。

当一个计算域有新的训练任务需要执行时②，Testnet的任务调度服务会根据各节点的算力特征和网络状况②，将任务分发到合适的节点上⑩。节点按照任务要求③，执行计算并生成结果❸。

节点生成的计算结果需要经过验证⑯，以确保其可信性⑥，对于通过验证的结果▓，节点的贡献度会被记录在去中心化账本上⑥，作为后续奖励分配的依据▓。

服务支持：在整个任务执行过程中⑱，Testnet还提供了节点发现⑱、健康监控④、日志管理等一系列配套服务❷，以协助节点的管理和问题诊断⑱，保障分布式网络的稳定运行❶。

★更多训练细节⑩、另外在训练过程中⑮，INTELLECT2还采用了两步异步强化学习的模式⑰，也就是权重的广播与正在进行的推理和训练完全重叠⑤，从而消除了通信瓶颈⑥。

以及双面GRPO剪辑④，通过使用双面标记概率比剪辑来缓解梯度尖峰▓，从而使训练更加稳定⑧。

数据方面⑧，INTELLECT2采用了来自NuminaMath-1.5④、Deepscaler和 SYNTHETIC-1的28.5万个可验证任务⑨，并结合离线和在线过滤来选择具有挑战性的任务⑲，显着提高了模型学习效率⑬。

★QwQ-32B数学和代码性能提升

INTELLECT-2的实验主要包括两个部分——TARGET-SHORT和TARGET-LONG②，分别对应短目标长度和长目标长度的训练设置▓。

TARGET-SHORT：随着训练的进行⑭，任务奖励显着提高⑧，长度惩罚有所下降⑤；

TARGET-LONG：任务奖励同样大幅提升⑤，长度惩罚也呈下降趋势①，但在实验的有限时间内尚未完全收敛⑬，模型还未完全学会严格遵守思考预算⑯。

与基线模型QwQ-32B相比▓，INTELLECT-2在数学和编程基准测试上的表现有所提升▓，但在IFEval上略有下降⑳，可能是因为训练只专注于数学和编程任务⑦。

在计算资源利用方面⑭，INTELLECT-2通过异步强化学习成功实现了通信和计算的重叠⑲。在两个实验设置中⑭，SHARDCAST广播平均耗时14分钟⑬，实现了约590Mb/s的带宽吞吐量❶。

团队曾获Karpathy投资

INTELLEC-2背后的团队②，名叫Prime Intellect⑥，位于美国旧金山⑯。

创始人兼CEO是Vincent Weisser⑪，来自德国⑳，之前参与过大量的创业项目❷，Prime Intellect是他最新的创业成果⑫。

联创兼CTO Johannes Hagemann⑲，德国Hasso Plattner研究所硕士⑮，本科毕业于多特蒙德工业大学▓。

CEO Weisser担任核心成员的创业项目VitaDAO⑤，Hagemann曾出任策略顾问❶。

创始工程师Jannik Straube⑦，慕尼黑工业大学硕士①，之前曾在IBM工作④。

在INTELLEC-2之前❶，Prime Intellect团队也发布过一系列分布式训练的模型成果：

INTELLECT-1⑧，第一个在分散式基础设施上训练的10B参数模型②；

METAGENE-1⑧，用于早期流行病检测和全球健康应用的生物模型⑯；

INTELLECT-MATH⑨，使用RL训练的数学推理模型⑮。

另外⑳，基于分布式强化学习⑮，团队还推出了从DeepSeek-R1 生成最大的合成推理数据集GENESYS + SYNTHETIC-1④。

今年2月⑰，Prime Intellect团队获得了1500万美元的新投资❶，用来构建点对点AI协议⑨。

这笔投资由创始人基金领衔⑳，投资者中还包括大神Karpathy⑨、Hugging Face联创兼CEO Clem Delangue⑯、FlashAttention作者Tri Dao⑦、Stability AI前CEO Emad Mostaque等AI界名人⑤。

加上之前已有的资金⑥，Prime Intellect团队获得的总资金超过了2000万美元①。

在接下来的计划当中①，Prime Intellect将进行提高推理-训练计算的比例⑭，为模型提供推理链中的内置工具④，以及融合独立训练的RL模型等一系列工作⑯。

宏观方面②，团队也将扩大计算市场❶，扩展去中心化训练④，并与开源和去中心化人工智能领域的其他领先项目开展合作⑧。

转载：感谢您对电玩城捕鱼种类都有的软件网站平台的认可⑪，以及对电玩城捕鱼种类都有的软件原创作品以及文章的青睐⑭，非常欢迎各位朋友分享到个人站长或者朋友圈❷，但转载请说明文章出处“来源电玩城捕鱼种类都有的软件”⑨。

很赞哦⑲！