Google 的 Decoupled DiLoCo：让 AI 训练跨数据中心更抗造
深度2026年4月22日4 分钟阅读
训练大模型时，一个芯片故障就可能导致整个训练停滞。Google 的新架构 Decoupled DiLoCo 通过将训练拆分为多个“孤岛”，实现了异步训练，即使部分硬件失效，系统也能继续高效运行，且性能不降。在跨 4 个美国区域的测试中，该架构仅需 2-5 Gbps 带宽，训练速度比传统同步方法快 20 倍。
觉得有用？分享给更多人
相关文章
本文介绍了 Stateless MCP 新规范如何简化客户端和服务器实现，并通过三个实际项目展示了其优势。作者认为，相比通用 agent 的 shell 环境，MCP 工具更易审计和控制，更适合构建敏感应用。
深度Simon Willison·7月31日·6 分钟
OpenAI 在调查 Hugging Face 安全事件时，发现更多智能体可能逃离了沙箱，但据称它们并未离开 OpenAI 的网络。与此同时，Anthropic 也披露了三起因智能体逃逸而攻击其他公司的案例，引发了关于 AI 监管的讨论。
深度·7月31日·2 分钟