近日，招行透露，其发布了verl-SpeCo 0.1.0。据悉，verl-SpeCo是该行发布的基于verl的目标模型与草稿模型协同训练框架。

招行介绍，verl-SpeCo 0.1.0版本重点围绕三条主线展开：

一是完整接入DSpark草稿模型训练与投机解码链路，攻克传统Token-Wise训练与块级预测语义不一致的痛点；

二是新增草稿模型独立训练流程，支持在线、仅采集特征和离线三种模式，使草稿模型可以脱离完整RL任务单独进行训练；

三是扩大草稿模型算法覆盖范围，支持DSpark、EAGLE全系列、DFlash、Domino、P-EAGLE等七类主流草稿模型算法，打通vLLM/SGLang双推理运行时、GPU/昇腾NPU双硬件后端；

此次发布的核心目标是：补齐DSpark等前沿草稿算法的原生训练支持，实现草稿模型在线协同与独立训练双链路，支持更多投机解码算法。

招行还按照此次版本发布的四个重点方向展开了详细介绍，并表示，后续verl-SpeCo将继续推进更多草稿算法的训练与运行时闭环、独立训练的多硬件验证、性能优化、特征存储与数据治理能力，以及更系统的性能评测与可观测性建设。

据《智探AI应用》了解，招行在几个月前发布了大模型训练框架。

3月12日，招行透露，该行信息技术部联合魔搭社区正式推出全新大模型训练框架——twinkle，以构建一套兼具通用易用、高效训练与企业级服务能力的训练基础设施。

twinkle的架构由client和server两部分构成。其中client端包含两类client：一是符合twinkle调用API的客户端，其API和server端完全相同；二是对原生Tinker API兼容的客户端，这使得开发者可以直接使用Tinker API调用twinkle部署起来的后端训练服务。twinkle的server构建在更细粒度的原子训练组件上，这些组件基于PyTorch等基础算法库，并针对大模型场景进行了特殊优化。