訓(xùn)練MoE足足提速70%！華為只用了3招

十三 2025-06-03 15:19:30 來源：量子位

允中 發(fā)自 凹非寺

量子位 | 公眾號 QbitAI

Scaling Law之下，MoE（混合專家）如今已經(jīng)成為各大模型廠商擴展模型能力的制勝法寶。

不過，在高效實現(xiàn)模型參數(shù)規(guī)?；耐瑫r，MoE的訓(xùn)練難題也日益凸顯：

訓(xùn)練效率不足，甚至一半以上訓(xùn)練時間都浪費在“等待”上。

現(xiàn)在，為了突破MoE的訓(xùn)練瓶頸，華為出手了：

構(gòu)建了一套名為Adaptive Pipe & EDPB的優(yōu)化方案，開啟“上帝視角”，讓MoE面臨“交通擁堵”的訓(xùn)練集群，實現(xiàn)無等待流暢運行。

MoE大規(guī)模訓(xùn)練難題：一半以上的訓(xùn)練時間在等待？

實踐已經(jīng)表明，MoE模型訓(xùn)練集群的效率面臨兩方面挑戰(zhàn)：

首先，是專家并行引入了計算和通信等待。

當(dāng)模型規(guī)模較大時，需要切分專家到不同設(shè)備形成并行（EP），這就引入額外All-to-All通信。

與此同時，MoE層絕大部分EP通信與計算存在時序依賴關(guān)系，一般的串行執(zhí)行模式會導(dǎo)致大量計算單元空閑，等待通信。

其次，負載不均會引入計算和計算等待。

MoE算法核心是“有能者居之”，在訓(xùn)練過程中會出現(xiàn)部分熱專家被頻繁調(diào)用，而冷專家使用率較低的情況。

同時，真實訓(xùn)練數(shù)據(jù)的長度不一，不同的模型層（如稀疏層、嵌入層等）的計算量也存在明顯差異，造成不同卡之間計算也在互相等待。

用一個形象點的說法就是，MoE訓(xùn)練系統(tǒng)就像一個存在局部交通阻塞的城區(qū)，面臨兩大核心問題：

• 人車混行阻塞：所有車輛（計算）與行人（通信）在紅綠燈交替通行，互相等待。
• 車道分配僵化：固定劃分的直行、左轉(zhuǎn)車道就像靜態(tài)的專家分配，導(dǎo)致熱門車道（熱專家）大排長龍，而冷門車道（冷專家）閑置。

針對以上問題，華為團隊打造了“智慧化交通”設(shè)施：

首先，建造“行人地下通道”（通信掩蓋技術(shù)），徹底分離人車動線，使計算不再等待通信。

其次，部署“智能可變車道”（動態(tài)專家路由），根據(jù)實時車流（數(shù)據(jù)分布）動態(tài)調(diào)整車道功能，讓閑置的左轉(zhuǎn)車道也能分擔(dān)直行壓力，實現(xiàn)負載均衡。

這套組合方案既解決了資源分配不均的問題，又消除了通信阻塞的瓶頸，就像為城市交通裝上了“智慧大腦”，讓每個方向的通行效率都得到最大化提升。

DeployMind仿真平臺，小時級自動并行尋優(yōu)

具體來說，華為首先構(gòu)建了名為DeployMind的仿真平臺，它是一個基于昇騰硬件訓(xùn)練系統(tǒng)的“數(shù)字孿生”平臺，通過計算/通信/內(nèi)存三維度的多層級建模、昇騰硬件系統(tǒng)的高精度映射、全局化算法加速運行等技術(shù)，能在1小時內(nèi)模擬百萬次訓(xùn)練場景，實現(xiàn)MoE模型多樣化訓(xùn)練負載的快速分析和自動找到與集群硬件規(guī)格匹配的最優(yōu)策略選擇。

在訓(xùn)練實踐驗證中，該建?？蚣芸蛇_到90%精度指標，實現(xiàn)低成本且高效的最優(yōu)并行選擇。

針對Pangu Ultra MoE 718B模型，在單卡內(nèi)存使用約束下，華為通過DeployMind以訓(xùn)練性能為目標找到了TP8/PP16/VPP2/EP32（其中TP只作用于Attention），這一最適合昇騰集群硬件規(guī)格的并行方案，綜合實現(xiàn)計算、通信、內(nèi)存的最佳平衡。

通信掩蓋>98%，讓計算不再等待通信

華為還提出了一套名為Adaptive Pipe的通信掩蓋框架。在DeployMind仿真平臺自動求解最優(yōu)并行的基礎(chǔ)上，采用層次化All-to-All降低機間通信和自適應(yīng)細粒度前反向掩蓋，實現(xiàn)通信幾乎“零暴露”。

層次化專家并行通信

針對不同服務(wù)器之間通信帶寬低，但機內(nèi)通信帶寬高的特點，華為創(chuàng)新地將通信過程拆成了兩步走：

第一步，讓各個機器上“位置相同”的計算單元聯(lián)手，快速地從所有機器上收集完整的數(shù)據(jù)塊（Token）；

第二步，每臺機器內(nèi)部先對數(shù)據(jù)塊進行整理，然后利用機器內(nèi)部的高速通道，快速完成互相交換。

這種分層設(shè)計的巧妙之處在于，它把每個數(shù)據(jù)塊最多的復(fù)制分發(fā)操作都限制在單臺機器內(nèi)部的高速網(wǎng)絡(luò)上完成，而在跨機器傳輸時，每個數(shù)據(jù)塊只需要發(fā)送一份拷貝，相比傳統(tǒng)All-to-All通信加速1倍。

也就是說，有效通過減少跨機通信，提升了集群的通信速度。

自適應(yīng)細粒度前反向掩蓋

在DualPipe掩蓋框架的基礎(chǔ)上，華為基于虛擬流水線并行技術(shù)，實現(xiàn)了更精密的調(diào)度，即Adaptive Pipe。

相比DualPipe，Adaptive Pipe僅利用一份權(quán)重，不僅將流水線并行所需的內(nèi)存占用減半，有效降低了計算“空泡”，釋放了流水線的峰值性能潛力；同時，該策略能夠額外實現(xiàn)與分層通信的完美協(xié)同，無縫覆蓋機間與機內(nèi)兩層通信的掩蓋。

在這種層次化通信和細粒度計算通信切分調(diào)度優(yōu)化下，Adaptive Pipe可實現(xiàn)98%以上的EP通信掩蓋，讓計算引擎不受通信等待的束縛。

克服負載不均，訓(xùn)練再加速25%

由于MoE模型訓(xùn)練過程中天然存在的負載不均問題，集群訓(xùn)練效率時高時低，華為團隊還提出了EDPB全局負載均衡，實現(xiàn)專家均衡調(diào)度。

在最優(yōu)并行和通信掩蓋基礎(chǔ)上，EDPB再取得了25.5%的吞吐提升收益。

△集群P2P通信分析對比

所謂EDPB，E是專家預(yù)測動態(tài)遷移。

MoE模型訓(xùn)練中，設(shè)備間的專家負載不均衡如同“蹺蹺板”——部分設(shè)備滿載運行，另一些卻處于“半休眠”狀態(tài)。團隊提出了基于多目標優(yōu)化的專家動態(tài)遷移技術(shù)，讓專家在分布式設(shè)備間“智能流動”。

該技術(shù)主要有三個特點：

• 預(yù)測先行，讓專家負載“看得見未來”：預(yù)測負載趨勢，實現(xiàn)“計算零存儲開銷，預(yù)測毫秒級響應(yīng)”；
• 雙層優(yōu)化，計算與通信的黃金分割點：提出節(jié)點-設(shè)備雙層貪心優(yōu)化架構(gòu)，在讓計算資源“齊步走”的同時，給通信鏈路“減負”；
• 智能觸發(fā)，給專家遷移裝上“紅綠燈”：設(shè)計分層遷移閾值機制，通過預(yù)評估遷移收益動態(tài)決策，實現(xiàn)專家遷移的智能觸發(fā)。

△基于專家動態(tài)遷移的EP間負載均衡整體框架圖

D是數(shù)據(jù)重排Attention計算均衡。

在模型預(yù)訓(xùn)練中普遍采用數(shù)據(jù)拼接固定長度的策略，但跨數(shù)據(jù)的稀疏Attention計算量差異顯著，會引入負載不均衡問題，導(dǎo)致DP間出現(xiàn)“快等慢”的資源浪費。

為解決這一問題，華為團隊提出了一種精度無損的動態(tài)數(shù)據(jù)重排方案，其核心在于：通過線性模型量化單樣本計算耗時，在嚴格保持訓(xùn)練精度無損下，批次內(nèi)采用貪心算法構(gòu)建最小化耗時的數(shù)據(jù)重排，實現(xiàn)負載均衡。

P是虛擬流水線層間負載均衡。

MoE模型通常采用混合結(jié)構(gòu)，Dense層、MTP層、輸出層所在的Stage與純MoE層所在的Stage負載不均，會造成的Stage間等待。

華為團隊提出虛擬流水線層間負載均衡技術(shù)，將MTP層與輸出層分離，同時將MTP Layer的 Embedding計算前移至首個Stage，有效規(guī)避Stage間等待問題，實現(xiàn)負載均衡。

△基于異構(gòu)模塊設(shè)計的VPP并行負載均衡

系統(tǒng)端到端72.6%訓(xùn)練吞吐提升

在Pangu Ultra MoE 718B模型的訓(xùn)練實踐中，華為團隊在8K序列上測試了Adaptive Pipe & EDPB吞吐收益情況。

實驗結(jié)果顯示，在最優(yōu)并行策略的初始性能基礎(chǔ)上，華為這套“通信掩蓋+動態(tài)專家遷移”的優(yōu)化方案，能實現(xiàn)系統(tǒng)端到端72.6%的訓(xùn)練吞吐提升。

總而言之，華為的這套打法可以說是為大模型訓(xùn)練優(yōu)化提供了關(guān)鍵路徑。感興趣的小伙伴可以再通過完整技術(shù)報告深入了解——

技術(shù)報告地址：

https://gitcode.com/ascend-tribe/ascend-training-system/tree/main/DistributedOptimization