Gradient发布Echo-2 RL框架，提升AI科研效率

分布式 AI 实验室 Gradient 今日发布 Echo-2 分布式强化学习框架，旨在打破 AI 研究训练效率壁垒。通过在架构层实现 Learner 与 Actor 的彻底解耦，Echo-2 将 30B 模型的后训练成本从 4,500 美元骤降至 425 美元。在同等预算下，带来超过 10 倍的科研吞吐。该框架利用存算分离技术进行异步训练 (Async RL)，将海量的采样算力卸载至不稳定显卡实例与基于 Parallax 的异构显卡。配合有界陈旧性、实例容错调度、与自研 Lattica 通讯协议等技术突破，在保证模型精度的同时大幅提升训练效率。伴随框架发布，Gradient 也即将推出 RLaaS 平台 Logits，推动 AI 研究从“资本堆砌”向“效率迭代”范式转移。Logits 现已面向全球学生与研究人员开放预约 (logits.dev)。据悉，Gradient 是一家致力于构建分布式基础设施的 AI 实验室，专注于前沿大模型的分布式训练、服务与部署。