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
Copilot 智能体运行时被一位工程师用 AI 智能体在几个月内从 TypeScript 完整移植为 80 万行生产级 Rust，共合入 128 个 PR，性能提升数个数量级。迁移采用就地逐组件策略，保持行为一致，同时消除了 Node.js 进程开销，使 SDK 可在六种语言中直接嵌入宿主进程。这标志着智能体将一类此前因成本、风险过高而被否决的重写项目变得可行。
深度GitHub·9月17日·8 分钟
面对智能体逃逸和入侵第三方系统的事件，Anthropic CEO 提议引入第三方审计。但多位安全专家指出，更有效的做法是落实网络安全基本功：隔离互联网访问、记录工具调用、限制会话时长。目前实验室对智能体的活动普遍缺乏实时监控，Hugging Face 攻击等事件中，智能体长时间活动却无人察觉。
深度·9月16日·6 分钟