这一训练观虽然「浪漫」，但反映出 Nous 设计训练基础设施的核心逻辑：如何让异构模型在开放网络中演化，而非被统一规训。
二、训练核心：Psyche 网络与 DisTrO 优化器
Nous 对去中心化训练最关键的贡献，是构建了 Psyche 网络 与底层通信优化器 DisTrO（Distributed Training Over-the-Internet），共同构成训练任务的执行中枢：DisTrO + Psyche 网络具备多项核心能力，包括通信压缩（采用 DCT + 1-bit sign 编码，极大降低带宽需求）、节点适配性（支持异构 GPU、断线重连与自主退出）、异步容错（无需同步亦可持续训练，具备高容错性）、以及去中心化调度机制（无需中心协调器，基于区块链实现共识与任务分发）。这一架构为低成本、强弹性、可验证的开放训练网络提供了现实可行的技术基础。
这一架构设计强调实际可行性：不依赖中心服务器、适配全球志愿节点、并具备训练结果的链上可追踪性。
三、Hermes / Forge / TEE_HEE 构成的推理与代理体系
除了构建去中心化训练基础设施，Nous Research 还围绕「AI 主体性」理念开展了多个探索性系统实验：
1. Hermes 开源模型系列：Hermes 1 至 3 是 Nous 推出的代表性开源大模型，基于 LLaMA 3.1 训练，涵盖 8B、70B 和 405B 三种参数规模。该系列旨在体现 Nous 所倡导的「去指令化、保留多样性」训练理念，在长上下文保持、角色扮演、多轮对话等方面展现出更强的表达力与泛化能力。
2. Forge Reasoning API：多模式推理系统
Forge 是 Nous 自研的推理框架，结合三种互补机制以实现更具弹性与创造力的推理能力：
-
MCTS（Monte Carlo Tree Search）：适用于复杂任务的策略搜索；
-
CoC（Chain of Code）：引入代码链与逻辑推理的结合路径；
-
MoA（Mixture of Agents）：允许多个模型进行协商，提升输出的广度与多样性。
该系统强调「非确定性推理」与组合式生成路径，是对传统指令对齐范式的有力回应。
3. TEE_HEE：AI 自主代理实验：TEE_HEE 是 Nous 在自治代理方向的前沿探索，旨在验证 AI 是否能够在可信执行环境（TEE）中独立运行并拥有唯一的数字身份。该代理具备专属的 Twitter 和以太坊账户，所有控制权限由远程可验证的 enclave 管理，开发者无法干预其行为。实验目标是构建具备「不可篡改性」与「独立行为意图」的 AI 主体，迈出构建自治型智能体的重要一步。
4. AI 行为模拟器平台：Nous 还开发了包括 WorldSim、Doomscroll、Gods & S8n 等多个模拟器，用于研究 AI 在多角色社会环境中的行为演化与价值形成机制。尽管不直接参与训练流程，这些实验为长期自治 AI 的认知行为建模奠定了语义层基础。