-
谁来执行训练任务（算力分发与动态匹配）
-
如何验证执行结果（无需全重算，仅验证争议算子）
-
如何分配训练收益（Stake、Slashing 与多角色博弈机制）
二、技术架构总览
三、模块详解
RL Swarm：协同强化学习训练系统
Gensyn 首创的 RL Swarm 是一种面向后训练阶段的去中心化多模型协同优化系统，具备以下核心特性：
分布式推理与学习流程：
-
生成阶段（Answering）：每个节点独立输出答案；
-
批评阶段（Critique）：节点互相点评他人输出，选出最优答案与逻辑；
-
共识阶段（Resolving）：预测大多数节点偏好并据此修改自身回答，实现局部权重更新。
Gensyn 所提出的 RL Swarm 是一个去中心化的多模型协同优化系统，每个节点运行独立模型并进行本地训练，无需梯度同步，天然适应异构算力与不稳定网络环境，同时支持节点弹性接入与退出。该机制借鉴 RLHF 与多智能体博弈的思路，但更贴近协同推理网络的动态演化逻辑，节点根据与群体共识结果的一致程度获得奖励，从而驱动推理能力的持续优化与趋同学习。RL Swarm 显著提升了模型在开放网络下的稳健性与泛化能力，已作为核心执行模块率先在 Gensyn 基于 Ethereum Rollup 的 Testnet Phase 0 中部署上线。
Verde + Proof-of-Learning：可信验证机制
Gensyn 的 Verde 模块结合了三种机制：
-
Proof-of-Learning：基于梯度轨迹与训练元数据判断训练是否真实发生；
-
Graph-Based Pinpoint：定位训练计算图中的分歧节点，仅需重算具体操作；
-
Refereed Delegation：采用仲裁式验证机制，由 verifier 与 challenger 提出争议并局部验证，极大降低验证成本。
相较于 ZKP 或全重算验证方案，Verde 方案在可验证性与效率之间取得更优平衡。
SkipPipe：通信容错优化机制
SkipPipe 是为了解决「低带宽 + 节点掉线」场景下的通信瓶颈问题，其核心能力包括：
-
跳层机制（Skip Ratio）：跳过受限节点，避免训练阻塞；
-
动态调度算法：实时生成最优执行路径；
-
容错执行：即使 50% 节点失效，推理精度仅下降约 7%。
支持训练吞吐提升高达 55%，并实现「early-exit 推理」、「无缝重排」、「推理补全」等关键能力。
HDEE：跨领域异构专家集群
HDEE（Heterogeneous Domain-Expert Ensembles）模块致力于优化以下场景：
-
多领域、多模态、多任务训练；