测试网的第一阶段重点关注于 RL Swarm，一个用于协作式强化学习后训练的应用。

撰文：Zen，PANews

AI 是如今加密行业最受关注的细分赛道，其中 a16z 领投、总融资规模达 5000 万美元的分布式 AI 计算网络 Gensyn 无疑是个具有竞争力的项目。近日，Gensyn 正式上线测试网，虽然比原计划时间晚了一年多，但随着测试网上线终于进入新的阶段。

作为一款专为机器学习打造的 定制化 Ethereum Rollup，Gensyn 测试网集成了 链下执行、验证和通信框架，旨在为去中心化 AI 系统提供 持久身份、参与追踪、归属维护、支付、远程执行协调、去信任验证、训练过程记录以及大规模训练任务众筹 等关键功能。

测试网的第一阶段重点关注在 RL Swarm 内追踪参与情况。RL Swarm 是一个用于协作式强化学习后训练的应用，其节点可与链上身份绑定，从而确保每个参与节点的贡献得到准确记录。

RL Swarm：核心功能与协同训练

在 Gensyn 测试网中，作为核心应用的 RL Swarm 是一个基于去中心化网络构建的模型协同训练系统。与传统单一模型独立训练不同，RL Swarm 让多个模型在网络中相互交流、批评和改进，从而共同提升整体性能。其核心理念在于「群体智慧」，即通过各节点模型之间的协作和反馈，实现更高效的训练效果。

可以简单理解为，DeepSeek-R1 等模型进行推理训练时，能够通过自我批评来迭代提升推理表现，而 RL Swarm 则将这种机制扩展到了多模型的群体中，实现了「众人拾柴火焰高」的效果。

基于 RL Swarm 系统，模型不仅依赖自身反馈，还通过观察和评价其他模型的表现，识别出自身的不足并进行优化。每一个加入 Swarm 的模型节点都在参与一个三阶段的过程：首先独立完成问题并输出思路与答案，然后查看其他节点的答案并提供反馈，最终模型投票选出最优解，并据此修正自己的输出。这种协同机制不仅提高了每个模型的表现，也推动了整个群体模型的进化。加入 Swarm 的模型在离开后仍能保留改进后的本地权重，获得实际收益。

此外，Gensyn 对 RL Swarm 的代码进行了开源，任何人都可以运行节点，启动或加入现有 Swarm，无需许可。Swarm 的底层通信使用了 Hivemind 提供的 gossip 协议，支持模型间的去中心化消息传递与学习信号共享。不论是家用笔记本，还是在云端 GPU 上都可以通过加入 RL Swarm 节点参与到协同训练中来。

基础设施三大支柱：执行、通信与验证

目前 RL Swarm 仍然只是一个实验性演示，它展示了一种大规模、可扩展的机器学习方法，而非最终的产品形态。在过去四年，Gensyn 的核心工作实际上是构建底层基础设施，在发布测试网后便进入了 v0.1 阶段，已经可以实际运行。根据官方介绍，Gensyn 的整体架构分为执行、通信和验证三个部分。

执行（Execution）：一致性与分布式算力

Gensyn 认为，未来的机器学习不再局限于传统的单体模型，而是由分布在全球各个设备上的碎片化参数组成。为了实现这一目标，Gensyn 团队开发了能够确保跨设备一致性的底层执行架构。其中的关键技术包括：

• 分布式参数存储与训练：通过将大规模模型分割成多个参数块并分布于不同设备上，Gensyn 实现了模型的碎片化部署，降低了单个节点对内存的要求。
• 强化学习后训练（RL Post-Training）：研究表明，当模型以群体方式协同训练、互相沟通并批判彼此的答案时，整体学习效率会显著提升。Gensyn 利用 RL Swarm 演示了这一概念，让模型在集体讨论中快速进步，进一步验证了分布式执行的有效性。
• 可复现算子（RepOps）：为了确保不同硬件（如 Nvidia A100 与 H100）能够得出完全一致的计算结果，Gensyn 开发了 RepOps 库，通过固定浮点运算的执行顺序，实现了跨平台的逐位复现。

通信（Communication）：高效信息交互

在大规模分布式训练场景中，各节点间的高效通信至关重要。传统的数据并行方法虽然能在一定程度上降低通信开销，但由于要求每个节点存储完整模型，其扩展性受到内存限制。为此，Gensyn 提出了全新的解决方案：

• SkipPipe – 动态跳跃管道并行：SkipPipe 技术通过动态选择微批次（microbatch）经过的计算层，将传统流水线中的部分阶段跳过，从而减少不必要的等待时间。其创新的调度算法能够实时评估各路径的可用性，既降低了节点空闲时间，又大幅缩短了整体训练时长。据测试数据显示，在去中心化环境中，SkipPipe 可将训练时间减少约 55%，且在部分节点故障的情况下，模型性能仅降低 7% 左右。
• 通信标准与跨节点协作 Gensyn 构建了一套类似于 TCP/IP 的通信协议，使得全球各地参与者无论使用何种设备，都能高效、无缝地进行数据传输和信息交互。这种开放标准为分布式协同训练提供了坚实的网络基础。

验证（Verification）：确保信任与安全

在一个无需信任的分布式网络中，如何确认各参与方提交的计算结果真实有效，是一大挑战。Gensyn 为此引入了专门的验证协议，旨在通过低成本、高效的机制确保所有算力供应商提供正确的工作结果：

• Verde 验证协议：Verde 是首个专为现代机器学习设计的验证系统。其核心在于利用轻量级争议解决机制，快速定位出训练过程中模型与验证者之间产生分歧的那一步骤。与传统需要重新运行整个任务的验证方式不同，Verde 只需对争议操作重新计算，从而大幅降低了验证开销。
• refereed delegation（裁决式委托）：采用这种方法后，若某个供应商的输出存在问题，验证者便能通过高效的争议解决游戏说服中立仲裁方，确保至少有一位诚实节点存在时，整个计算结果的正确性得以保障。
• 存储与哈希中间状态：为了支持上述验证过程，参与者只需存储并哈希部分中间训练检查点，而非全量数据，这既降低了资源占用，也提升了系统的扩展性和实时性。