#opg $OPG @OpenGradient Por qué forzar a cada validador a volver a ejecutar el modelo completo de IA cuando debería bastar con una sola ejecución más una prueba? Eso siempre me pareció el fallo central de cómo la mayoría de las cadenas intentaban manejar la inferencia. Convierte un cálculo de una sola vez en trabajo ocupado en toda la red que nadie necesita. OpenGradient optó por la separación entre computación de validación en lugar de eso. Los nodos de inferencia se encargan de ejecutar el modelo y devuelven el resultado con la prueba adjunta. Los nodos de validación en la cadena OPG omiten por completo el trabajo del modelo.#OPG
Esta separación en OpenGradient mantiene la computación pesada fuera de la capa de validación. Los validadores solo verifican la prueba en lugar de volver a ejecutar la inferencia en el conjunto completo de nodos. Evita la duplicación derrochadora que destruye el rendimiento. Sin separación, terminas con que cada validador actúa como si tuviera que ser una máquina de inferencia completa. Eso no escala y convierte las llamadas en procesos lentos. El enfoque de OpenGradient permite que los nodos de inferencia hagan lo que están diseñados para hacer, mientras que los validadores se mantienen eficientes verificando evidencia.@OpenGradient
OpenGradient hizo que la separación fuera práctica porque encaja con cómo funciona el cómputo real. No todos los tipos de nodo necesitan repetir el paso costoso y aun así dependen de que la prueba sea lo bastante confiable sin volver a ejecutar el trabajo, pero la separación elimina una limitación clara que limita la tasa de salida. Enfócate en si el diseño realmente evita obligar a todos los validadores a replicar la inferencia o si solo afirma la separación sin cambiar cómo operan los nodos.@OpenGradient
$OPG