#opg $OPG @OpenGradient Por que forçar cada validador individual a relançar o modelo completo de IA quando uma única execução sólida mais uma prova deveriam ser suficientes? Sempre me pareceu esse o defeito central de como a maioria das cadeias tentou lidar com a inferência. Você transforma um cálculo de uma vez em trabalho burocrático em toda a rede que ninguém precisa. A OpenGradient seguiu com a separação da computação de validação em vez disso. Nós de inferência executam o modelo e devolvem o resultado com a prova anexada. Nós de validador na cadeia OPG pulam completamente o trabalho do modelo.#OPG
Essa separação na OpenGradient mantém a computação pesada fora da camada de validação. Os validadores apenas verificam a prova, em vez de reexecutar a inferência por todo o conjunto de nós. Isso impede a duplicação desperdiciosa que destrói o desempenho. Sem separação, você acaba com cada validador agindo como se tivesse que ser uma máquina completa de inferência. Isso não escala e transforma chamadas em processos lentos. A abordagem da OpenGradient permite que os nós de inferência façam o que foram construídos para fazer, enquanto os validadores permanecem eficientes na verificação das evidências.@OpenGradient
A OpenGradient tornou essa separação prática porque ela corresponde ao modo como a computação real funciona. Não é necessário que cada tipo de nó repita a etapa cara e ainda dependa de que a prova seja confiável o suficiente sem precisar relançar o trabalho. Mas a separação remove uma limitação clara, limitando a taxa de saída. Concentre-se em avaliar se o design realmente evita forçar todos os validadores a replicar a inferência, ou se apenas alega separação sem mudar como os nós operam.@OpenGradient
$OPG