近日,，螞蟻集團AI創(chuàng)新研發(fā)部門NextEvo全面開源AI Infra技術(shù),，可幫助大模型千卡訓練有效時間占比超過95%，能實現(xiàn)訓練時“自動駕駛”，這推動了AI研發(fā)效率,。

該技術(shù)框架名為DLRover,，目標在于大規(guī)模分布式訓練的智能化,。目前很多企業(yè)的訓練作業(yè)都是跑在混合部署的集群中,，運行環(huán)境復雜多變，不管多么“崎嶇的地形”,，DLRover都可以“輕松行駛”,。

2023年大模型技術(shù)的發(fā)展，帶來了工程實踐的爆發(fā),，如何管理數(shù)據(jù),，提高訓練和推理效率，最大化利用現(xiàn)有算力,，成了關(guān)鍵一環(huán),。

完成一個千億參數(shù)級別的大模型，如GPT-3,，用一張卡訓練一次要耗時32年,，那么訓練時的算力利用尤為重要。方法之一是把能用的算力用得更好,，比如進一步壓榨已購買GPU的性能,；二是把以前利用不了的算力用起來，比如CPU,、內(nèi)存等,，這就需要通過異構(gòu)計算平臺來解決。

據(jù)悉,，最新集成進DLRover的是Flash Checkpoint（FCP）方案,。模型訓練時，一般要打Checkpoint（檢查點）,，以便中斷時能恢復到最近狀態(tài),，目前常規(guī)的做法，存在著耗時長,、高頻打點易降低訓練可用時間,、低頻打點恢復時丟失過多等缺點。新方案FCP應用在千卡千億參數(shù)模型訓練后,，Checkpoint 導致的訓練浪費時間降低約5倍,，其中持久化時間降低約70倍,，有效訓練時間從90%提升至95%,。