Prime Intellect 的 PCCL 是一个用于替代传统 NCCL 的底层通信库，旨在为上层训练协议提供更稳健的集体通信基础。理论创新度中高，在容错通信算法上有一定突破；工程难度中等，具备较强的模块适配性。
Nous Research 的 DisTrO 是 DeMo 的通信核心模块，强调在低带宽下实现最小通信开销的同时保障训练闭环的连贯性。理论创新度高，在调度协同结构上具备通用性设计价值；工程难度高，对压缩精度与训练同步要求高。
Pluralis 的通信机制深度嵌入 SWARM 架构中，显著降低了大模型异步训练中的通信负载，在保障收敛性的同时保持高效吞吐。理论创新度高，为异步模型通信设计树立了范式；工程难度极高，依赖分布式模型编排与结构稀疏性控制。
Gensyn 的 SkipPipe 是配套 RL Swarm 的容错调度组件。该方案部署成本低，主要用于工程落地层的训练稳定性增强。理论创新度一般，更多是已知机制的工程化实现；工程难度较低，但在实际部署中实用性强。
此外，我们可以从区块链协作层与 AI 训练层更为宏观的两大类衡量去中心化训练项目的价值：
区块链协作层面：强调协议可信性与激励协作逻辑
-
可验证性： 对训练过程是否可验证、是否引入博弈或加密机制建立信任；
-
激励机制 ：是否设计了任务驱动的 Token 奖励 / 角色机制；
-
开放性与准入门槛 ：节点是否易于接入，是否中心化或许可控制。
AI 训练系统层面：突出工程能力与性能可达性
-
调度与容错机制 ：是否容错、异步、动态、分布式调度；
-
训练方法优化 ：是否对模型训练算法或结构有优化；
-
通信路径优化：是否压缩梯度 / 稀疏通信，适应低带宽。
以下表格基于上述指标体系，对 Gensyn、Prime Intellect、Pluralis 和 Nous Research 在去中心化训练路径上的技术深度、工程成熟度与理论创新进行了系统性评估。
在去中心化训练的完整价值链中，Prime Intellect、Pluralis.ai、Gensyn 和 Nous Research 等项目主要聚焦于模型预训练、通信机制与协同优化等前端基础设施建设。然而，另有一类项目则专注于训练后阶段的模型适配与推理部署（post-training fine-tuning & inference delivery），不直接参与预训练、参数同步或通信优化等系统性训练流程。代表性项目包括 Bagel、Pond 和 RPS Labs，他们均以 LoRA 微调方法为核心，构成去中心化训练生态图谱中关键的「后链条」一环。