Protocol Models 能够在低端硬件上实现高效的去中心化 AI 训练

研究人员开发了一种名为 Protocol Models 的新型压缩算法，旨在提高去中心化深度学习训练的效率。该方法压缩了模型并行训练的前向和后向传播，实现了高达 99% 的压缩率而不会降低收敛性。通过将激活和梯度限制在低维子空间内，Protocol Models 能够在消费级互联网速度下，在低端 GPU 上训练数十亿参数的模型，其性能与中心化数据中心系统相当。 AI

影响 能够在低端硬件上训练大型模型，有可能使先进的 AI 开发的访问民主化。

排序理由 该集群包含一篇详细介绍 AI 模型训练新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• Gotit.pub
• Hugging Face
• IArxiv
• Protocol Models
• Sameera Ramasinghe
• ScienceCast

• 论文
• 基础设施

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →