两篇新研究论文探讨了去中心化大语言模型（LLM）微调的进展。第一篇论文“SeedFlood”提出了一种方法，通过利用梯度的可重构性来显著降低通信开销，从而实现跨多个客户端和大型模型的规模化训练。第二篇论文“Chorus”通过提出一种在聚合之前检测和拒绝来自邻近节点的后门适配器的机制，解决了去中心化LLM微调中的安全漏洞，从而在无需共享验证数据的情况下缓解了后门传播的风险。 AI
影响 这些进展可能能够实现更高效、更安全的大语言模型协作训练，从而降低分布式人工智能开发的门槛。
排序理由 两篇在arXiv上发表的学术论文，详细介绍了去中心化大语言模型微调的新方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2602.18181v2 Announce Type: replace Abstract: This work presents SeedFlood, a new approach to decentralized LLM fine-tuning designed to scale across large models, large collaborations, and complex network topologies while achieving global consensus with negligible communica…
arXiv:2609.37367v1 Announce Type: cross Abstract: Decentralized large language model (LLM) fine-tuning lets organizations collaboratively train a shared LLM on data they cannot pool, without a central coordinator. In every round, each node exchanges a trainable adapter with its n…