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
Y Combinator 支持的 Specific Labs 发布 Real-SWE 基准测试，用真实公司的私有代码库考察 AI 编程智能体，避免公开代码被训练数据污染。Claude Fable 5.1 搭配 Claude Code 以 38.8% 的成功率排名第一，但仍有超过六成的任务失败。测试中 10 个任务中有 6 个成功率低于 15%，一个分析流缩减任务在 64 次尝试中无人解决。
深度The New Stack·9月14日·4 分钟
MCP 在 2025 年快速生产化后暴露出多起安全事件，根因都指向过宽的权限范围与缺失的身份模型。文章主张把范围（scope）、身份（identity）、生命周期（lifetime）作为一次性统一评估，用动态临时凭证替代固定永久 Token，并让 Agent 拥有独立于调用者的身份。
深度The New Stack·9月12日·9 分钟