分布式学习有两个不同问题：更新是否有用，以及各参与者是否对接受哪次更新达成一致。前者通常用评估数据检查，后者还依赖消息、参与者和故障模型。
PoCL 公开方案将流程分为 Prepare、Train、Synchronize、Commit：收集带签名的信息，选择训练者，分发新参数，再通过评估与投票决定是否更新。这让缓存学习中的训练结果有了明确的接受流程。
评估不能代替一致性证明#
以下是 AI 提出的审核问题。若两个诚实节点收到的候选集合不同，即使使用相同的确定性选择函数，也可能选出不同训练者。因此需要说明输入集合如何一致，而不只是说选择算法确定。
同样，签名只能认证消息来源；评估分数上升只说明该测试上的表现。还要分别检查测试集覆盖、恶意更新、不同节点收到不同参数，以及冲突更新能否同时获得接受。
怎样读实验#
原文 VIII-A 使用故障模拟比较成功率。阅读时必须保留其成功事件、故障概率和参与者假设；这一指标不能自动替代对任意消息调度的安全性或活性论证。
与声誉参与共识的联系是两者都把应用评价用于协议决策，但评价对象、选举规则和威胁模型不同，不能互相继承保证。下一步见证据与保证的开放问题。
2026-10-12：本页将机制说明、实验观察和待证保证分开。审核问题尚未获得用户确认，不是对论文全部结论的最终裁决。