11:26arXiv cs.AI@Pietro Cagnasso, Eugene Belilovsky, Edouard Oyallon精选GASLoC是一种新型去中心化预训练算法,旨在解决LLM训练中通信效率低下的问题。传统方法依赖同步All-Reduce操作,在带宽或工作速度不均时成为瓶颈。GASLoC通过将通信加速泛化到“外部优化器”,实现了兼容自适应优化器、支持本地优化步骤和稀疏随机通信的实用gossip训练框架。实验表明,在单步通信设置下,GASLoC在多种拓扑结构中优于现有去中心化算法;在多步本地更新时,性能与DiLoCo相当,且在异构带宽场景下显著超越DiLoCo。论文去中心化训练通信效率LLM预训练GASLoCDiLoCo推荐理由:GASLoC解决了分布式LLM训练中通信效率与异构带宽的痛点,做大规模模型预训练的团队可以直接参考实验对比,看看能否替代现有方案。原文
12:23arXiv cs.LG@Ali Rouzbayani, Bidhan Roy, Marcos Villagra, Zhiying Jiang精选72°巴黎 2.0 是首个通过去中心化计算预训练的视频生成模型,解决了去中心化训练中时间连贯视频生成的难题。相比相同算力预算下的集中式模型,它在低分辨率文本到视频任务中将 FVD 从 561.04 降至 279.01,提升约 2 倍,同时提高了 CLIP 文本-视频相似度和美学评分。该模型基于巴黎 1.0 的去中心化扩散模型架构,无需单一 GPU 集群即可完成训练。这项工作证明了去中心化训练在视频生成领域的可行性,为降低大规模模型训练门槛提供了新路径。论文视频生成去中心化训练扩散模型开源/仓库Paris 2.0推荐理由:去中心化训练让视频生成模型不再依赖昂贵 GPU 集群,做视频生成或分布式训练的团队可以关注这个开源方案,直接降低算力成本。原文