華為揭秘國產算力+國產模型的全流程自主可控訓練實踐

近日，華為在MoE模型訓練領域再進一步，重磅推出參數規模高達7180億的全新模型——盤古Ultra MoE，這是一個全流程在昇騰AI計算平台上訓練的準萬億MoE模型。華為同時發佈盤古Ultra MoE模型架構和訓練方法的技術報告，披露眾多技術細節，充分體現了昇騰在超大規模MoE訓練性能上的跨越。

訓練超大規模和極高稀疏性的 MoE 模型極具挑戰，訓練過程中的穩定性往往難以保障。針對這一難題，盤古團隊在模型架構和訓練方法上進行了創新性設計，成功地在昇騰平台上實現了準萬億 MoE 模型的全流程訓練。

在模型架構上，盤古團隊提出Depth-Scaled Sandwich-Norm（DSSN）穩定架構和TinyInit小初始化的方法，在昇騰平台上實現了超過18TB數據的長期穩定訓練。此外，他們還提出了 EP loss負載優化方法，這一設計不僅保證了各個專家之間的能保持較好的負載均衡，也提升了專家的領域特化能力。同時，盤古Ultra MoE使用了業界先進的MLA和MTP架構，在預訓練和後訓練階段都使用了Dropless訓練策略，實現了超大規模MoE架構在模型效果與效率之間的最佳平衡。

在訓練方法上，華為團隊首次披露在昇騰CloudMatrix 384超節點上，高效打通大稀疏比MoE強化學習（RL）後訓練框架的關鍵技術，使RL後訓練進入超節點集羣時代。同時，在5月初發布的預訓練系統加速技術基礎上，在不到一個月的時間內，華為團隊又完成了一輪迭代升級，包括：適配昇騰硬件的自適應流水掩蓋策略，進一步優化算子執行序，進一步降低Host-Bound以及提升EP通信的掩蓋；自適應管理內存優化策略的開發；數據重排實現DP間Attention負載均衡；以及昇騰親和的算子優化，這些技術實現萬卡集羣預訓練MFU由30%大幅提升至 41%。

此外，近期發佈的盤古Pro MoE大模型，在參數量僅為720億，激活160億參數量的情況下，通過動態激活專家網絡的創新設計，實現了以小打大的優異性能，甚至可以媲美千億級模型的性能表現。在業界權威大模型榜單SuperCLUE最新公佈的2025年5月排行榜上，位居千億參數量以內大模型排行並列國內第一。

華為盤古Ultra MoE和盤古Pro MoE系列模型的發佈，證明華為不僅完成了國產算力+國產模型的全流程自主可控的訓練實踐，同時在集羣訓練系統的性能上也實現了業界領先。這意味着國產AI基礎設施的自主創新能力得到了進一步驗證，為中國人工智能產業的發展提供了一顆“定心丸”。（趙華）