"如何喫掉一頭大象?一口一口地喫。"



近年來,機器學習模型以驚人的速度實現跨越式發展。隨着模型能力的提升,其復雜性亦同步激增——當今先進模型往往包含數百萬乃至數十億參數。

爲應對此等規模挑戰,多種零知識證明系統應運而生,這些系統始終致力於在證明時間、驗證時間與證明大小三者間實現動態平衡。

模型參數規模的指數級增長

盡管當前零知識證明領域的大部分工作集中在優化證明系統本身,但一個關鍵維度卻常常被忽視——如何將大規模模型合理拆分爲更小、更易於處理的子模塊以進行證明。你可能會問,這一點爲什麼如此重要?
查看原文
post-image
此頁面可能包含第三方內容,僅供參考(非陳述或保證),不應被視為 Gate 認可其觀點表述,也不得被視為財務或專業建議。詳見聲明
  • 讚賞
  • 留言
  • 分享
留言
0/400
暫無留言
交易,隨時隨地
qrCode
掃碼下載 Gate APP
社群列表
繁體中文
  • 简体中文
  • English
  • Tiếng Việt
  • 繁體中文
  • Español
  • Русский
  • Français (Afrique)
  • Português (Portugal)
  • Bahasa Indonesia
  • 日本語
  • بالعربية
  • Українська
  • Português (Brasil)