L’ambiance du lundi est différente quand tu débogues du ML distribué. Alors voilà la question : est-ce que les modèles de machine learning saturent vraiment la capacité du réseau de Bittensor ?

On dirait que certaines équipes n’attendent pas de voir. L’équipe inference_labs a proposé un workflow intéressant : tu prends ton fichier modèle ONNX, tu fais une quantification pour accélérer l’inférence, puis tu le découpes en morceaux avec dsperse pour un traitement distribué. Le truc en plus ? Ils ajoutent une couche de zk-snarks pour un calcul vérifiable.

Plutôt malin si on y pense — ça résout les goulets d’étranglement de la bande passante tout en gardant des preuves légères. Est-ce que d’autres ici s’amusent avec le sharding de modèles sur des réseaux décentralisés ?