💡 站外导读：随着大模型参数规模突破千亿甚至万亿，训练效率与显存瓶颈成为制约AI创新的核心挑战。传统3D并行方案在超大模型训练中面临通信开销大、负载不均、显存不足等问题，严重拖慢研发进度。上海人工智能实验室开源XTuner V1，正是为解决这些痛点而生——它通过系统性优化，让千亿级MoE模型训练更高效、更易用，为学术界和工业界打开新大门。

XTuner V1 是上海人工智能实验室开源的新一代大模型训练引擎，基于 PyTorch FSDP 开发，针对超大模型训练中的显存、通信和负载问题进行系统性优化，支持 1T 参数量级 MoE 模型训练，能在 200B 量级模型上实现训练吞吐超越传统 3D 并行方案。XTuner V1 与华为昇腾技术团队合作，进一步提升训练效率，实现更高的模型浮点运算利用率。XTuner V1 为学术界和工业界提供高性能、低门槛、易扩展的大模型训练方案。

• 高效训练超大模型：支持1T参数量级的MoE模型训练，在200B以上量级的混合专家模型中，训练吞吐超越传统3D并行训练方案。
• 优化显存使用：通过自动Chunk Loss机制和Async Checkpointing Swap技术，有效降低显存峰值，无需借助序列并行技术实现200B参数量级MoE模型训练64K长度序列。
• 掩盖通信开销：用极致的显存优化提升单次迭代的最大序列长度，增加每层计算耗时以掩盖参数聚合的通信耗时；通过Intra-Node Domino-EP降低参数聚合通信量，掩盖专家并行带来的额外通信开销。
• 实现DP负载均衡：对每n个step内的已拼接好的序列进行排序，使每次计算时不同DP的最长子序列长度接近，减少因变长注意力导致的计算空泡。
• 适配多种硬件：与华为昇腾技术团队合作，在Ascend A3 NPU超节点上进行深度优化，充分用超节点硬件特性，在理论算力落后NVIDIA H800近20%的情况下，能实现训练吞吐反超H800近5%，MFU反超20%以上。

• 基于PyTorch FSDP开发：PyTorch FSDP（Fully Shard Data Parallel）是数据并行策略，将模型参数均匀切分到每张卡上，通过提前聚合参数和重新切分参数节省显存。XTuner V1在FSDP的基础上进行深度优化，解决其通信量大的问题。

• 显存优化：

  • 自动Chunk Loss机制：针对计算损失函数时的计算图，开发支持多种训练场景和多种硬件的自动Chunk Loss机制，有效降低显存峰值。

  • Async Checkpointing Swap：在模型前向计算开始时，将重计算需要保存的激活值从Device搬运到Host，释放显存；在反向传播时，提前将激活值从Host搬运回Device，反向传播结束后释放显存，进一步优化显存使用。

• 通信掩盖：

  • 增加计算耗时掩盖通信耗时：通过极致的显存优化，提升单次迭代的最大序列长度，增加每层计算的耗时，使计算耗时大于通信耗时，掩盖通信开销，避免计算空泡。

  • Intra-Node Domino-EP：针对因显存或通信带宽受限的训练场景，通过Intra-Node Domino-EP降低每一层聚合参数的通信量，掩盖因引入专家并行带来的额外通信开销。

• DP负载均衡：大模型训练时，将多条句子拼接至一个固定长度，计算时使用变长注意力机制。XTuner V1通过对每n个step内的已拼接好的序列进行排序，使每次计算时不同DP的最长子序列长度接近，减少因变长注意力导致的计算空泡，提高训练效率。

• 项目官网：https://xtuner.readthedocs.io/zh-cn/latest/
• GitHub仓库：https://github.com/InternLM/xtuner

• 自然语言处理（NLP）领域：用在训练超大规模的语言模型，如GPT、BERT等，提升模型的语言理解和生成能力，应用于机器翻译、文本生成、情感分析等任务。

• 计算机视觉（CV）领域：在图像识别、目标检测等任务中，训练大规模的视觉模型，如ResNet、Transformer等，提高模型的准确性和效率。

• 多模态学习：结合语言和视觉信息，训练多模态模型，如CLIP等，用在图像描述生成、视觉问答等任务，提升模型对复杂场景的理解能力。

• 强化学习：在长序列的强化学习任务中，如机器人控制、游戏AI等，XTuner V1能够高效处理长序列数据，加速模型训练，提高策略学习的效率。