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(xùn)練出的盤古 Ultra，在數(shù)學(xué)競(jìng)賽、編程等推理任務(wù)當(dāng)中，和 R1 打得有來有回。

關(guān)鍵是模型參數(shù)量只有 135B，整個(gè)訓(xùn)練過程零英偉達(dá)含量，而且沒有出現(xiàn)損失尖峰。

通過改進(jìn)的模型架構(gòu)和系統(tǒng)優(yōu)化策略，盤古 Ultra 擁有優(yōu)異的性能表現(xiàn)和 52% 以上的算力利用率。

并且有網(wǎng)友表示，訓(xùn)練過程中沒有出現(xiàn)損失尖峰這一特征，似乎此前從未實(shí)現(xiàn)。

135B 密集模型比肩 DeepSeek-R1

作為一個(gè)參數(shù)量 135B 密集模型，盤古 Ultra 達(dá)到了同尺度密集模型的最優(yōu)表現(xiàn)，甚至可以與 DeepSeek-R1 等參數(shù)量更大的 MoE 模型競(jìng)爭(zhēng)。

在預(yù)訓(xùn)練階段模型的評(píng)測(cè)中，盤古 Ultra 在絕大部分英文基準(zhǔn)任務(wù)和全部中文任務(wù)上取得了最佳性能，優(yōu)于 Llama 405B、DeepSeek-V3 等 baseline 模型。

尤其在 MMLU、TriviaQA、GSM8K 等具有挑戰(zhàn)性的數(shù)據(jù)集上，盤古 Ultra 展現(xiàn)出了卓越的語言理解和推理能力。

經(jīng)過指令調(diào)優(yōu)后，盤古 Ultra 的性能進(jìn)一步提升，尤其在 AIME 2024、MATH-500 等數(shù)學(xué)推理任務(wù)和 LiveCodeBench 等編程競(jìng)賽題上達(dá)到了 SOTA 水平。

綜合來看，盤古 Ultra 超越了包括 GPT-4o、Mistral-Large 2 等強(qiáng)大模型，與 DeepSeek-R1 等 MoE 模型競(jìng)爭(zhēng)激烈。

同時(shí)，盤古 Ultra 在 Arena Hard、MMLU-pro 等涵蓋通用語言理解和推理的評(píng)測(cè)中也表現(xiàn)優(yōu)異。

那么，為了實(shí)現(xiàn)這樣的效果，盤古 Ultra 采用了哪些關(guān)鍵技術(shù)呢？

“三明治”層歸一化架構(gòu)

如前文所述，盤古 Ultra 是一款 135B 參數(shù)量的密集模型，使用了 94 層的網(wǎng)絡(luò)結(jié)構(gòu)。

盤古 Ultra 采用了分組查詢注意力（GQA）機(jī)制，包含 96 個(gè)查詢頭（query head）和 8 個(gè)鍵值頭（key-value head）。

為了解決訓(xùn)練超深網(wǎng)絡(luò)面臨的不穩(wěn)定性和收斂困難等問題，盤古 Ultra 在模型架構(gòu)上做出了兩個(gè)關(guān)鍵改進(jìn) —— 深度縮放的 Sandwich-Norm 層歸一化和 TinyInit 參數(shù)初始化策略。

傳統(tǒng)的 Transformer 通常使用 Pre-LN 層歸一化，但在深度模型中，Pre-LN 容易導(dǎo)致每個(gè)子層輸出尺度的波動(dòng)，引發(fā)訓(xùn)練不穩(wěn)定。

盤古 Ultra 使用的 Sandwich-Norm 層歸一化，則是在殘差連接前對(duì)每個(gè)子層的輸出做歸一化，并根據(jù)網(wǎng)絡(luò)深度對(duì)初始化值進(jìn)行縮放，從而有效消除了訓(xùn)練過程中的 loss 尖峰，使訓(xùn)練過程更加平穩(wěn)。

用更容易理解的話說，傳統(tǒng)方法僅在每個(gè)子層的輸入進(jìn)行歸一化，但這種方法針對(duì)輸出也進(jìn)行了歸一化，形成了 Pre-Norm + 子層 + Post-Norm 的“三明治”結(jié)構(gòu)。

但是，僅僅使用 Sandwich-Norm 還不足以完全消除深度模型訓(xùn)練中的不穩(wěn)定性 —— 隨著網(wǎng)絡(luò)層數(shù)的增加，每一層的輸出尺度仍然可能出現(xiàn)累積性的漂移。

為此，盤古 Ultra 在 Sandwich-Norm 的基礎(chǔ)上，進(jìn)一步引入了深度縮放機(jī)制，對(duì) Post-Norm 中的放縮參數(shù) γ 進(jìn)行了深度相關(guān)的初始化。

至于整個(gè)模型的初始化，傳統(tǒng)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(shí)依據(jù)模型深度和寬度來縮放初始化權(quán)重的標(biāo)準(zhǔn)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(gè)合理的范圍內(nèi)，避免了梯度消失或爆炸問題，使得訓(xùn)練過程更加穩(wěn)定，同時(shí)也加速了收斂。

實(shí)驗(yàn)表明，TinyInit 在深度模型訓(xùn)練中取得了更好的收斂速度和下游任務(wù)性能；同時(shí)針對(duì) embedding 層，保持權(quán)重的標(biāo)準(zhǔn)差接近 1 也能提升訓(xùn)練穩(wěn)定性。

另外，盤古團(tuán)隊(duì)也針對(duì) Tokenizer 進(jìn)行了優(yōu)化，通過在通用中英文、代碼、數(shù)學(xué)等不同領(lǐng)域分別進(jìn)行詞頻統(tǒng)計(jì)，再合并去重，最終得到了一個(gè)兼顧領(lǐng)域覆蓋和編碼效率的 153376 個(gè) token 的平衡詞表。

8192 張昇騰 NPU 訓(xùn)練集群

盤古 Ultra 的整個(gè)訓(xùn)練流程主要分為三個(gè)階段 —— 預(yù)訓(xùn)練、長上下文擴(kuò)展和指令調(diào)優(yōu)。

其中預(yù)訓(xùn)練又可以分為三個(gè)子階段：

• 通用階段：側(cè)重建立語言理解和知識(shí)儲(chǔ)備，使用了大量中英文通用語料，覆蓋網(wǎng)頁、書籍、百科等多個(gè)來源；

• 推理階段：引入更多高質(zhì)量的數(shù)學(xué)和代碼數(shù)據(jù)，以增強(qiáng)模型的推理能力。同時(shí)還使用 instruction 數(shù)據(jù)來幫助模型學(xué)習(xí)執(zhí)行任務(wù)；

• 退火階段：幫助模型鞏固知識(shí)和推理能力，并強(qiáng)化指令遵循能力。大量使用問答對(duì)和人類反饋數(shù)據(jù)。

研究者們采用了基于規(guī)則和模型的數(shù)據(jù)清洗方法，并設(shè)計(jì)了 curriculum learning 策略，讓模型循序漸進(jìn)地學(xué)習(xí)不同難度的樣本。

預(yù)訓(xùn)練中使用了 AdamW 優(yōu)化器，并動(dòng)態(tài)調(diào)整超參數(shù)。

預(yù)訓(xùn)練后，模型在最長 128K 的長上下文數(shù)據(jù)上進(jìn)一步訓(xùn)練，通過擴(kuò)大 RoPE 的基頻來實(shí)現(xiàn)長序列建模，以增強(qiáng)處理長文檔的能力。

最后的指令調(diào)優(yōu)階則段使用監(jiān)督微調(diào)（SFT）和強(qiáng)化學(xué)習(xí)（RL）來使模型更好地適應(yīng)下游任務(wù)，學(xué)會(huì)執(zhí)行指令并與人類偏好對(duì)齊。

訓(xùn)練設(shè)施方面，盤古 Ultra 使用了一個(gè)由 8192 個(gè)昇騰 AI 處理器組成的大規(guī)模計(jì)算集群。

集群中每個(gè)節(jié)點(diǎn)包含 8 個(gè) NPU，通過華為高速緩存一致性互聯(lián) HCCS 以全互聯(lián)的拓?fù)浣Y(jié)構(gòu)連接，每個(gè) NPU 配備 64GB 內(nèi)存，節(jié)點(diǎn)間則通過 200Gbps 的 RoCE（RDMA over Converged Ethernet）網(wǎng)絡(luò)互聯(lián)。

為了實(shí)現(xiàn)盤古 Ultra 的高效訓(xùn)練，研究團(tuán)隊(duì)還采用了一套系統(tǒng)的并行策略和優(yōu)化技術(shù)。

在并行策略的選擇上，盤古 Ultra 綜合考慮了模型的規(guī)模、數(shù)據(jù)的特性以及硬件的拓?fù)?，最終采用了數(shù)據(jù)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(shù)據(jù)并行，將訓(xùn)練數(shù)據(jù)分片到不同設(shè)備，保證了數(shù)據(jù)吞吐；

• 8 路張量并行，利用設(shè)備內(nèi)部高帶寬切分層內(nèi)張量，實(shí)現(xiàn)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(shè)備，形成高效的計(jì)算流水線。

在并行策略的基礎(chǔ)上，盤古 Ultra 還從多個(gè)角度對(duì)訓(xùn)練系統(tǒng)進(jìn)行了深度優(yōu)化。

一方面，通過使用 ZeRO（Zero Redundancy Optimizer）分布式優(yōu)化器，將模型狀態(tài)分片到不同設(shè)備，大幅降低了單個(gè)設(shè)備的內(nèi)存占用，在提高數(shù)據(jù)并行度的同時(shí)，確保了每個(gè)設(shè)備的內(nèi)存負(fù)擔(dān)在可接受范圍內(nèi)。

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

• 通過算子融合（Kernel Fusion）將多個(gè)小算子合并，減少了內(nèi)存訪問和 kernel 啟動(dòng)；

• 通過通信計(jì)算重疊（Communication-Computation Overlapping）實(shí)現(xiàn)通信和計(jì)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(duì)張量并行和規(guī)范化層的通信進(jìn)行了專門優(yōu)化……

在算法、工程、數(shù)據(jù)各個(gè)層面的精細(xì)優(yōu)化下，盤古 Ultra 實(shí)現(xiàn)了 52% 以上的算力利用率。

技術(shù)報(bào)告：

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

本文來自微信公眾號(hào)：量子位（ID：QbitAI），作者：克雷西，原標(biāo)題《英偉達(dá)含量為零！華為密集模型性能比肩 DeepSeek-R1，純昇騰集群訓(xùn)練》

廣告聲明：文內(nèi)含有的對(duì)外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時(shí)間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。