英偉達含量為零！華為密集模型性能比肩DeepSeek-R1，純昇騰集群訓練

克雷西 2025-04-15 22:56:14 來源：量子位

克雷西 發自 凹非寺
量子位 | 公眾號 QbitAI

密集模型的推理能力也能和DeepSeek-R1掰手腕了？

華為利用純昇騰集群訓練出的盤古Ultra，在數學競賽、編程等推理任務當中，和R1打得有來有回。

關鍵是模型參數量只有135B，整個訓練過程零英偉達含量，而且沒有出現損失尖峰。

通過改進的模型架構和系統優化策略，盤古Ultra擁有優異的性能表現和52%以上的算力利用率。

并且有網友表示，訓練過程中沒有出現損失尖峰這一特征，似乎此前從未實現。

135B密集模型比肩DeepSeek-R1

作為一個參數量135B密集模型，盤古Ultra達到了同尺度密集模型的最優表現，甚至可以與DeepSeek-R1等參數量更大的MoE模型競爭。

在預訓練階段模型的評測中，盤古Ultra在絕大部分英文基準任務和全部中文任務上取得了最佳性能，優于Llama 405B、DeepSeek-V3等baseline模型。

尤其在MMLU、TriviaQA、GSM8K等具有挑戰性的數據集上，盤古Ultra展現出了卓越的語言理解和推理能力。

經過指令調優后，盤古Ultra的性能進一步提升，尤其在AIME 2024、MATH-500等數學推理任務和LiveCodeBench等編程競賽題上達到了SOTA水平。

綜合來看，盤古Ultra超越了包括GPT-4o、Mistral-Large 2等強大模型，與DeepSeek-R1等MoE模型競爭激烈。

同時，盤古Ultra在Arena Hard、MMLU-pro等涵蓋通用語言理解和推理的評測中也表現優異。

那么，為了實現這樣的效果，盤古Ultra采用了哪些關鍵技術呢？

“三明治”層歸一化架構

如前文所述，盤古Ultra是一款135B參數量的密集模型，使用了94層的網絡結構。

盤古Ultra采用了分組查詢注意力（GQA）機制，包含96個查詢頭（query head）和8個鍵值頭（key-value head）。

為了解決訓練超深網絡面臨的不穩定性和收斂困難等問題，盤古Ultra在模型架構上做出了兩個關鍵改進——深度縮放的Sandwich-Norm層歸一化和TinyInit參數初始化策略。

傳統的Transformer通常使用Pre-LN層歸一化，但在深度模型中，Pre-LN容易導致每個子層輸出尺度的波動，引發訓練不穩定。

盤古Ultra使用的Sandwich-Norm層歸一化，則是在殘差連接前對每個子層的輸出做歸一化，并根據網絡深度對初始化值進行縮放，從而有效消除了訓練過程中的loss尖峰，使訓練過程更加平穩。

用更容易理解的話說，傳統方法僅在每個子層的輸入進行歸一化，但這種方法針對輸出也進行了歸一化，形成了Pre-Norm + 子層 + Post-Norm的“三明治”結構。

但是，僅僅使用Sandwich-Norm還不足以完全消除深度模型訓練中的不穩定性——隨著網絡層數的增加，每一層的輸出尺度仍然可能出現累積性的漂移。

為此，盤古Ultra在Sandwich-Norm的基礎上，進一步引入了深度縮放機制，對Post-Norm中的放縮參數γ進行了深度相關的初始化。

至于整個模型的初始化，傳統的初始化通常采用的Xavier初始化方法僅考慮模型寬度，而盤古Ultra采用的TinyInit同時依據模型深度和寬度來縮放初始化權重的標準差。

這種初始化方式有助于在前向傳播和反向傳播過程中，維持各層梯度的方差在一個合理的范圍內，避免了梯度消失或爆炸問題，使得訓練過程更加穩定，同時也加速了收斂。

實驗表明，TinyInit在深度模型訓練中取得了更好的收斂速度和下游任務性能；同時針對embedding層，保持權重的標準差接近1也能提升訓練穩定性。

另外，盤古團隊也針對Tokenizer進行了優化，通過在通用中英文、代碼、數學等不同領域分別進行詞頻統計，再合并去重，最終得到了一個兼顧領域覆蓋和編碼效率的153376個token的平衡詞表。

8192張昇騰NPU訓練集群

盤古Ultra的整個訓練流程主要分為三個階段——預訓練、長上下文擴展和指令調優。

其中預訓練又可以分為三個子階段：

• 通用階段：側重建立語言理解和知識儲備，使用了大量中英文通用語料，覆蓋網頁、書籍、百科等多個來源；
• 推理階段：引入更多高質量的數學和代碼數據，以增強模型的推理能力。同時還使用instruction數據來幫助模型學習執行任務；
• 退火階段：幫助模型鞏固知識和推理能力，并強化指令遵循能力。大量使用問答對和人類反饋數據。

研究者們采用了基于規則和模型的數據清洗方法，并設計了curriculum learning策略，讓模型循序漸進地學習不同難度的樣本。

預訓練中使用了AdamW優化器，并動態調整超參數。

預訓練后，模型在最長128K的長上下文數據上進一步訓練，通過擴大RoPE的基頻來實現長序列建模，以增強處理長文檔的能力。

最后的指令調優階則段使用監督微調（SFT）和強化學習（RL）來使模型更好地適應下游任務，學會執行指令并與人類偏好對齊。

訓練設施方面，盤古Ultra使用了一個由8192個昇騰AI處理器組成的大規模計算集群。

集群中每個節點包含8個NPU，通過華為高速緩存一致性互聯HCCS以全互聯的拓撲結構連接，每個NPU配備64GB內存，節點間則通過200Gbps的RoCE（RDMA over Converged Ethernet）網絡互聯。

為了實現盤古Ultra的高效訓練，研究團隊還采用了一套系統的并行策略和優化技術。

在并行策略的選擇上，盤古Ultra綜合考慮了模型的規模、數據的特性以及硬件的拓撲，最終采用了數據并行、張量并行、序列并行和流水線并行等多種并行方式的組合：

• 128路數據并行，將訓練數據分片到不同設備，保證了數據吞吐；
• 8路張量并行，利用設備內部高帶寬切分層內張量，實現高效通信；
• 序列并行用于處理超長序列以降低顯存壓力；
• 8段流水線并行，將不同層分布到不同設備，形成高效的計算流水線。

在并行策略的基礎上，盤古Ultra還從多個角度對訓練系統進行了深度優化。

一方面，通過使用ZeRO（Zero Redundancy Optimizer）分布式優化器，將模型狀態分片到不同設備，大幅降低了單個設備的內存占用，在提高數據并行度的同時，確保了每個設備的內存負擔在可接受范圍內。

另一方面，研究者們通過各種通信和計算優化技術，最小化了通信開銷，提升了計算效率：

• 通過算子融合（Kernel Fusion）將多個小算子合并，減少了內存訪問和kernel啟動；
• 通過通信計算重疊（Communication-Computation Overlapping）實現通信和計算的深度交織，隱藏通信延遲；
• MC^2（Merged Computation & Communication）和BOA（Batch Optimization Accelerator）分別對張量并行和規范化層的通信進行了專門優化……

在算法、工程、數據各個層面的精細優化下，盤古Ultra實現了52%以上的算力利用率。

技術報告：
https://github.com/pangu-tech/pangu-ultra/blob/main/pangu-ultra-report.pdf