据 Jeff Dean 表示，Decoupled DiLoCo 论文已发布至 arXiv；据 arXiv 预印本所述，该方法将前向与反向过程解耦，以低通信量策略在大模型训练中显著减少跨设备带宽需求。根据 arXiv 论文，Decoupled DiLoCo 允许异构集群协同训练，把数据中心GPU与边缘设备结合，通过异步传输紧凑的激活或梯度在保持模型效果的同时提升吞吐与成本效率。基于 arXiv 的实验报告，这一方案为企业带来联邦式LLM微调、合规本地部署以及运营商边缘场景等商业机会，尤其适用于带宽受限环境。

据 Google DeepMind 在 X 上发布的信息，Decoupled DiLoCo 将可异步调度异构芯片的 Pathways 与可大幅降低跨站点带宽占用的 DiLoCo 结合，实现在多数据中心进行大规模模型训练（来源：Google DeepMind，2026年4月23日）。根据 Google DeepMind 的说明，Pathways 负责跨加速器的节奏解耦与任务编排，DiLoCo 则减少梯度同步通信，从而缓解带宽与“慢节点”瓶颈，提升大模型训练的可扩展性与弹性。对企业而言，这意味着更低训练成本、更高容错与跨区域弹性容量调度，为超大语言模型与多模态模型训练、分布式 MLOps、跨云区域资源池化带来新的商业机会。