2026-06-26 11:23:35 来源：量子位

在Transformers v5的基础上，增加了专家并行、DeepEP和TransformerEngine

鱼羊 发自 凹非寺

量子位 | 公众号 QbitAI

一行import，MoE大模型微调提速3.7倍。

英伟达最新研究成果现已开源：NeMo AutoModel，专为大规模构建和微调生成式AI模型而打造。

在Hugging Face Transformers v5的基础之上，NeMo AutoModel能做到不改代码API，只添一行import，就实现对MoE模型更快速的微调。

实验显示，相比Hugging Face原版Transformers v5，英伟达NeMo AutoModel能在MoE微调中实现3.4-3.7倍训练吞吐提升，并减少29%-32% GPU显存占用。

在单节点8xH100 80GB GPU上，以Qwen3-30B-A3B为例，NeMo AutoModel直接把TPS/GPU（每GPU每秒吞吐量）从3075拉到11340，提升达到3.69倍。

核心技术解析

MoE已经成为当前前沿模型的主流架构，但MoE也给高效训练带来了新的挑战：

专家并行、通信融合、kernel优化……这些复杂工程都需要配套的基础设施来支持。

HuggingFace的Transformers v5是目前被用得比较多的MoE训练“通用底座”。v5增强了对MoE的原生支持，引入了expert backends、dynamic weight loading、分布式执行等MoE基础能力。

这一次，英伟达的思路就是站在前辈的肩膀上，兼容HuggingFace Transformers的API，让大家能不大改代码，就在MoE微调里获得更高训练吞吐和更低显存占用。

具体来说，NeMo AutoModel在Transformers v5的基础上，增加了专家并行（EP）、DeepEP和TransformerEngine。

专家并行（Expert Parallelism）

专家并行技术主要用来降低内存压力。

EP把专家权重分布到了多个GPU上，每张GPU不再完整持有所有expert，而是只持有其中一部分参数。

举个例子，8张GPU上ep_size=8，专家权重被分布至8块GPU，每张GPU的MoE内存占用能降到原来的1/8。

从实验结果来看，对于Qwen3，这项技术能将峰值内存从68.2GiB降至48.1GiB，降幅29%。

对于Nemotron Nanomo模型，内存占用从62.1 GiB降至42.5 GiB，降幅 32%。

释放出的空间可以用来支持更大批次、更长的序列。

DeepEP

DeepEP实现了计算和通信的融合。

传统方式里，token分发和专家计算之间有明显通信成本。DeepEP把token分发和组合操作整合进优化的GPU内核，实现了通信过程和专家计算的重叠。

TransformerEngine

TransformerEngine内核为各类核心运算提供加速。

这项技术提供了融合注意力机制、线性层和RMSNorm等实现，不只加速MoE层，也加速普通Transformer层。

一行import，3倍速度提升

总结来说，对于原本就用上了Transformers v5的盆友们来说，英伟达NeMo AutoModel带来了一个无痛升级方案：

只需加上一行import代码，即可获得3倍MoE微调速度提升。

在Qwen3-30B-A3B和Nemotron 3 Nano 30B-A3B上，相较于Transformers v5，该方案可以实现3.4-3.7倍的训练吞吐量提升，同时内存消耗降低29%-32%。

英伟达还展示了Nemotron 3 Ultra 550B A55B在16个H100节点、128张GPU上的全参数微调结果。

TPS/GPU为815，TFLOP/s/GPU约为293，峰值内存为58.2GiB。

这里没跟v5对比的原因，是Transformers v5在这种规模下会直接撑爆内存¯_(ツ)_/¯

版权所有，未经授权不得以任何形式转载及使用，违者必究。