As dores da iteração no treino de grandes modelos são bem conhecidas — os dados facilmente começam em 10TB, e cada atualização exige o reenvio completo, o que, com o tempo, se torna insustentável em termos de tempo e custos de armazenamento.

O Walrus recentemente otimizou essa questão. A melhoria principal é a funcionalidade de atualização incremental por fatia — apenas os blocos de dados que mudaram são enviados, enquanto o resto permanece inalterado. Parece simples, mas o efeito é realmente notável. Um caso prático: para um conjunto de dados de treino de 10TB, após aplicar essa solução, o tempo de iteração caiu de várias horas para apenas 15 minutos. Em termos de custos, a redução também foi significativa, economizando cerca de 70% nos gastos de armazenamento.

Para empresas de IA de pequeno e médio porte, essa solução é especialmente útil. Economiza tempo e reduz significativamente os custos operacionais, aumentando a eficiência na iteração de dados e aliviando a carga de armazenamento. Parece uma ótima escolha.