Column-Space Sparsification
在《Beyond Top-K》中提出，通过结构感知的列空间压缩方法代替传统 Top-K，避免破坏语义路径。该机制兼顾模型准确性与通信效率，实测在异步模型并行环境中可压缩 90% 以上通信数据，是实现结构感知高效通信的关键突破。
四、技术定位与路径选择
Pluralis 明确以 「异步模型并行」 为核心方向，强调其相较于数据并行具备以下优势：
-
支持 低带宽网络 与 非一致性节点；
-
适配 设备异构，允许消费级 GPU 参与；
-
天然具备 弹性调度 能力，支持节点频繁上线 / 离线；
-
以 结构压缩 + 异步更新 + 权重不可提取性 为三大突破点。
目前根据官方网站公布的六篇技术博客文档，逻辑结构整合为以下三个主线：
-
哲学与愿景：《A Third Path: Protocol Learning》《Why Decentralized Training Matters》
-
技术机制细节：《SWARM Parallel》《Beyond Top-K》《Asynchronous Updates》
-
制度创新探索：《Unmaterializable Models》《Partial Ownership Protocols》
目前 Pluralis 尚未上线产品、测试网或代码开源，原因在于其所选择的技术路径极具挑战：需先解决底层系统架构、通信协议、权重不可导出等系统级难题，才可能向上封装产品服务。
在 2025 年 6 月 Pluralis Research 发布的新论文中，将其去中心化训练框架从模型预训练拓展到了模型微调阶段，支持异步更新、稀疏通信与部分权重聚合，相比此前偏重理论与预训练的设计，本次工作更注重落地可行性，标志着其在训练全周期架构上的进一步成熟。
五、团队与融资背景
Pluralis 于 2025 年完成了 760 万美元的种子轮融资，由 Union Square Ventures（USV） 与 CoinFund 联合领投。创始人 Alexander Long 来自机器学习博士背景，具备数学与系统研究双重背景。核心成员全部由拥有博士背景的机器学习研究者组成，是典型的技术驱动型项目，以高密度论文与技术博客为主要发布路径，当前尚未建立 BD/Growth 团队而专注于攻克低带宽异步模型并行的基础架构难题。
Gensyn：以可验证执行驱动的去中心化训练协议层Gensyn 是一个专注于「深度学习训练任务可信执行」的 Web3 AI 项目，核心不在于重构模型架构或训练范式，而在于构建一个具备「任务分发 + 训练执行 + 结果验证 + 公平激励」全流程的可验证分布式训练执行网络。通过链下训练 + 链上验证的架构设计，Gensyn 建立起一个高效、开放、可激励的全球训练市场，使「训练即挖矿」成为现实。
一、项目定位：训练任务的执行协议层
Gensyn 不是「怎么训练」，而是「由谁训练、如何验证、如何分润」的基础设施。其本质是训练任务的可验证计算协议，其主要解决：