FL Alliance：是 Flock 联邦学习客户端，支持参与者使用私有数据对模型进一步微调。通过 VRF 选举、staking 与 slashing 机制，保障训练过程的诚实性与协作效率，是连接社区初训与真实部署的关键环节。
AI Marketplace：是模型共创与部署平台，用户可提议模型、贡献数据、调用模型服务，支持数据库接入与 RAG 强化推理，推动 AI 模型在各类实际场景中的落地与流通。
三、团队与融资概况
Flock.io 由 Sun Jiahao 创立，已发行平台代币 FLOCK。项目累计融资 1,100 万美元，投资方包括 DCG、Lightspeed Faction、Tagus Capital、Animoca Brands、Fenbushi、OKX Ventures 等。2024 年 3 月，Flock 完成 600 万美元种子轮融资，用于启动测试网及联邦学习客户端；同年 12 月追加 300 万美元融资，并获得以太坊基金会资助，专注研究区块链驱动的 AI 激励机制。目前，平台创建 6428 个模型，接入训练节点 176 个、验证节点 236 个、委托者 1178 个。
相较于去中心化训练项目，Flock 这类基于联邦学习的系统在训练效率、可扩展性与隐私保护方面更具优势，尤其适用于中小规模模型的协同训练，方案务实且易于落地，更偏向工程层面的可行性优化；而 Gensyn、Pluralis 等项目则在训练方法与通信机制上追求更深层次的理论突破，系统挑战更大，但也更贴近真正的「去信任、去中心」的训练范式探索。
EXO：边缘计算的去中心化训练尝试EXO 是当前边缘计算场景中极具代表性的 AI 项目，致力于在家庭级消费设备上实现轻量化的 AI 训练、推理与 Agent 应用。其去中心化训练路径强调「低通信开销 + 本地自主执行」，采用 DiLoCo 异步延迟同步算法与 SPARTA 稀疏参数交换机制，大幅降低多设备协同训练的带宽需求。系统层面，EXO 并未构建链上网络或引入经济激励机制，而是推出单机多进程模拟框架 EXO Gym，支持研究者在本地环境中便捷开展分布式训练方法的快速验证与实验。
一、核心机制概览
-
DiLoCo 异步训练：每 H 步进行一次节点同步，适配非稳定网络；
-
SPARTA 稀疏同步：每步仅交换极少量参数（如 0.1%），保持模型相关性并降低带宽需求；
-
异步组合优化：两者可组合使用，在通信与性能之间取得更优折中。
-
evML 验证机制探索：Edge-Verified Machine Learning（evML） 提出使用 TEE / Secure Context 进行低成本计算验证，通过远程验证 + 抽查机制实现无需质押的边缘设备可信参与，是经济安全与隐私保障之间的工程型折中方案。
二、工具与场景应用
-
EXO Gym：可在单台设备模拟多节点训练环境，支持 NanoGPT、CNN、Diffusion 等模型的通信策略实验；