Понедельничные вайбы ощущаются иначе, когда отлаживаешь распределённое машинное обучение. Вот в чём вопрос — действительно ли модели машинного обучения уже упираются в пропускную способность сети Bittensor?

Похоже, некоторые команды не ждут у моря погоды. Команда inference_labs представила интересный рабочий процесс: берёшь свой файл модели ONNX, выполняешь квантизацию для ускорения инференса, затем разбиваешь модель на части с помощью dsperse для распределённой обработки. Фишка в том, что они добавляют zk-snarks для верифицируемых вычислений.

Довольно хитро, если подумать — решают проблему узких мест по пропускной способности и при этом делают доказательства лёгкими. Кто-нибудь ещё экспериментирует с шардингом моделей на децентрализованных сетях?