Wan2.1 使用指南

• Wan2.1 使用指南
  • 版本说明
    • 参考实现
    • 变更记录
  • 任务支持列表
  • 环境安装
    • 仓库拉取
    • 环境搭建
    • Decord搭建
  • 权重下载及离线转换
    • Diffusers权重下载
    • 权重转换
  • 权重下载及在线加载
    • Diffusers权重下载
    • 在线加载
  • 预训练
    • 数据预处理
    • 特征提取
      • 准备工作
      • 参数配置
      • 启动特征提取
    • 训练
      • 准备工作
      • 参数配置
      • 启动训练
  • lora 微调
    • 准备工作
    • 参数配置
    • 启动微调
  • DPO训练
    • 环境准备
    • 生成视频样本
    • 生成偏好数据集
    • 训练参数配置
    • 启动DPO训练
  • 推理
    • 准备工作
    • 参数配置
    • 启动推理
  • 环境变量声明

版本说明

参考实现

T2V I2V LoRA微调任务

url=https://github.com/modelscope/DiffSynth-Studio.git
commit_id=03ea278

FLF2V推理

url=https://github.com/huggingface/diffusers.git
commit_id=f8d4a1e

变更记录

2025.03.27: 首次支持Wan2.1模型

任务支持列表

模型大小	任务类型	预训练	lora微调	在线T2V推理	在线I2V推理	在线FLF2V推理	在线V2V推理
1.3B	t2v	✔	✔	✔			✔
1.3B	i2v	✔
14B	t2v	✔	✔	✔			✔
14B	i2v	✔	✔		✔
14B	flf2v					✔

环境安装

【模型开发时推荐使用配套的环境版本】

请参考安装指南

仓库拉取

git clone https://gitcode.com/Ascend/MindSpeed-MM.git
git clone https://github.com/NVIDIA/Megatron-LM.git
cd Megatron-LM
git checkout core_v0.12.1
cp -r megatron ../MindSpeed-MM/
cd ../MindSpeed-MM

环境搭建

# python3.10
conda create -n test python=3.10
conda activate test

# 安装 torch 和 torch_npu，注意要选择对应python版本、x86或arm的torch、torch_npu及apex包
pip install torch-2.7.1-cp310-cp310-manylinux_2_28_aarch64.whl
pip install torch_npu-2.7.1*-cp310-cp310-manylinux_2_28_aarch64.whl
# apex for Ascend 参考 https://gitcode.com/Ascend/apex
# 建议从原仓编译安装

# 将shell脚本中的环境变量路径修改为真实路径，下面为参考路径
source /usr/local/Ascend/cann/set_env.sh

# 安装加速库
git clone https://gitcode.com/Ascend/MindSpeed.git
cd MindSpeed
# checkout commit from MindSpeed core_r0.12.1
git checkout 93c45456c7044bacddebc5072316c01006c938f9
pip install -r requirements.txt
pip install -e .
cd ..

# 安装其余依赖库
pip install -e .

# 源码安装Diffusers
pip install diffusers==0.33.1

Decord搭建

【X86版安装】

pip install decord==0.6.0

【ARM版安装】

apt方式安装请参考链接

yum方式安装请参考脚本

---

权重下载及离线转换

Diffusers权重下载

模型	Hugging Face下载链接
T2V-1.3B	https://huggingface.co/Wan-AI/Wan2.1-T2V-1.3B-Diffusers
T2V-14B	https://huggingface.co/Wan-AI/Wan2.1-T2V-14B-Diffusers
I2V-14B-480P	https://huggingface.co/Wan-AI/Wan2.1-I2V-14B-480P-Diffusers
I2V-14B-720P	https://huggingface.co/Wan-AI/Wan2.1-I2V-14B-720P-Diffusers
FLF2V-14B-720P	https://huggingface.co/Wan-AI/Wan2.1-FLF2V-14B-720P-Diffusers

权重转换

需要对下载后的Wan2.1模型权重transformer部分进行权重转换，运行权重转换脚本：

mm-convert WanConverter hf_to_mm \
 --cfg.source_path <./weights/Wan-AI/Wan2.1-{T2V/I2V/FLF2v}-{1.3/14}B-Diffusers/transformer/> \
 --cfg.target_path <./weights/Wan-AI/Wan2.1-{T2V/I2V/FLF2v}-{1.3/14}B-Diffusers/transformer/> \
 --cfg.target_parallel_config.pp_layers <pp_layers>

权重转换脚本的参数说明如下：

参数	含义	默认值
--cfg.source_path	原始权重路径	/
--cfg.target_path	转换或切分后权重保存路径	/
--pp_layers	PP/VPP层数	开启PP时, 使用PP和VPP需要指定各stage的层数并转换, 默认为[]，即不使用

如需转回Hugging Face格式，需运行权重转换脚本：

注： 如进行layer zero进行训练，则需首先进行其训练权重后处理，再进行如下操作：

mm-convert WanConverter mm_to_hf \
 --cfg.source_path <path for your saved weight/> \
 --cfg.target_path <./converted_weights/Wan-AI/Wan2.1-{T2V/I2V/FLF2v}-{1.3/14}B-Diffusers/transformer/> \
 --cfg.hf_dir <weights/Wan-AI/Wan2.1-{T2V/I2V/FLF2v}-{1.3/14}B-Diffusers/transformer/>

权重转换脚本的参数说明如下：

参数	含义	默认值
--cfg.source_path	MindSpeed MM保存的权重路径	/
--cfg.target_path	转换后的Hugging Face权重路径	/
--cfg.hf_dir	原始Hugging Face权重路径，需要从该目录下获取原始Hugging Face配置文件	/

---

权重下载及在线加载

Diffusers权重下载

模型(已验证)	Hugging Face下载链接
T2V-1.3B	https://huggingface.co/Wan-AI/Wan2.1-T2V-1.3B-Diffusers
T2V-14B	https://huggingface.co/Wan-AI/Wan2.1-T2V-14B-Diffusers

在线加载

如果需要用在线权重加载进行模型训练的话，只需将下载的huggingface原始权重赋于examples/wan2.1/14b/t2v/pretrain_fsdp2.sh中的LOAD_PATH参数：

LOAD_PATH="./weights/Wan-AI/Wan2.1-T2V-14B-Diffusers/transformer/"

同时，将examples/wan2.1/14b/t2v/pretrain_fsdp2.sh中的bridge_patch置为true

    "patch": {
        "bridge_patch": true
    }

---

预训练

数据预处理

将数据处理成如下格式

</dataset>
  ├──data.json
  ├──videos
  │  ├──video0001.mp4
  │  ├──video0002.mp4

其中，videos/下存放视频，data.json中包含该数据集中所有的视频-文本对信息，具体示例如下：

[
    {
        "path": "videos/video0001.mp4",
        "cap": "Video discrimination1.",
        "num_frames": 81,
        "fps": 24,
        "resolution": {
            "height": 480,
            "width": 832
        }
    },
    {
        "path": "videos/video0002.mp4",
        "cap": "Video discrimination2.",
        "num_frames": 81,
        "fps": 24,
        "resolution": {
            "height": 480,
            "width": 832
        }
    },
    ......
]

修改examples/wan2.1/feature_extract/data.txt文件，其中每一行表示一个数据集，第一个参数表示数据文件夹的路径，第二个参数表示data.json文件的路径，用,分隔

特征提取

准备工作

在开始之前，请确认环境准备、模型权重和数据集预处理已经完成

参数配置

检查模型权重路径、数据集路径、提取后的特征保存路径等配置是否完成

配置文件	修改字段	修改说明
examples/wan2.1/feature_extract/data.json	num_frames	最大的帧数，超过则随机选取其中的num_frames帧
examples/wan2.1/feature_extract/data.json	max_height, max_width	最大的长宽，超过则centercrop到最大分辨率
examples/wan2.1/feature_extract/data.json	from_pretrained	修改为下载的tokenizer的权重所对应的路径
examples/wan2.1/feature_extract/feature_extraction.sh	NPUS_PER_NODE	卡数
examples/wan2.1/feature_extract/feature_extraction.sh	MM_MODEL	修改为目标task的的模型文件路径，如model_t2v.json
examples/wan2.1/feature_extract/model_{task}.json	from_pretrained	修改为下载的权重所对应路径（包括vae, text_encoder）
mindspeed_mm/tools/tools.json	save_path	提取后的特征保存路径

启动特征提取

bash examples/wan2.1/feature_extract/feature_extraction.sh

训练

准备工作

在开始之前，请确认环境准备、模型权重下载、特征提取已完成。

参数配置

检查模型权重路径、并行参数配置等是否完成

配置文件	修改字段	修改说明
examples/wan2.1/{model_size}/{task}/feature_data.json	basic_parameters	数据集路径，data_path和data_folder分别配置提取后的特征的文件路径和目录
examples/wan2.1/{model_size}/{task}/pretrain.sh	NPUS_PER_NODE	每个节点的卡数
examples/wan2.1/{model_size}/{task}/pretrain.sh	NNODES	节点数量
examples/wan2.1/{model_size}/{task}/pretrain.sh	LOAD_PATH	权重转换后的预训练权重路径
examples/wan2.1/{model_size}/{task}/pretrain.sh	SAVE_PATH	训练过程中保存的权重路径
examples/wan2.1/{model_size}/{task}/pretrain.sh	CP	训练时的CP size（建议根据训练时设定的分辨率调整）

【并行化配置参数说明】：

当调整模型参数或者视频序列长度时，需要根据实际情况启用以下并行策略，并通过调试确定最优并行策略。

• CP: 序列并行。

  • 使用场景：在视频序列（分辨率X帧数）较大时，可以开启来降低内存占用。

  • 使能方式：在启动脚本中设置 CP > 1，如：CP=2；

  • 限制条件：head 数量需要能够被CP整除（在examples/wan2.1/{model_size}/{task}/pretrain_model.json中配置，参数为num_heads）

  • 默认使能方式为Ulysses序列并行。

  • DiT-RingAttention：DiT RingAttention序列并行请参考文档

  • DiT-USP: DiT USP混合序列并行（Ulysses + RingAttention）请参考文档

  • FPDT(Fully Pipelined Distributed Transformer): Ulysses Offload 并行请参考文档

  • 注：wan2.1使用full attention，对应general，即--attention-mask-type general。

• layer_zero

  • 使用场景：在模型参数规模较大时，单卡上无法承载完整的模型，可以通过开启layerzero降低静态内存。

  • 使能方式：examples/wan2.1/{model_size}/{task}/pretrain.sh的GPT_ARGS中加入--layerzero和--layerzero-config ${layerzero_config}

  • 训练权重后处理：使用该特性训练时，保存的权重需要使用下面的转换脚本进行后处理才能用于推理：

    # 根据实际情况修改 ascend-toolkit 路径
    source /usr/local/Ascend/cann/set_env.sh
    mm-convert WanConverter layerzero_to_mm \
     --cfg.source_path <./save_ckpt/wan2.1/> \
     --cfg.target_path <./save_ckpt/wan2.1_megatron_ckpt/>
    

• PP：流水线并行

  目前支持将predictor模型切分流水线。

  • 使用场景：模型参数较大时候，通过流水线方式切分并行，降低训练内存占用

  • 使能方式：

    • 修改在 pretrain_model.json 文件中的"pipeline_num_layers", 类型为list。该list的长度即为 pipeline rank的数量，每一个数值代表rank_i中的层数。例如，[7, 8, 8, 7]代表有4个pipeline stage， 每个容纳7/8个dit layers。注意list中 所有的数值的和应该和总num_layers字段相等。此外，pp_rank==0的stage中除了包含dit层数以外，还会容纳text_encoder和ae，因此可以酌情减少第0个stage的dit层数。注意保证PP模型参数配置和模型转换时的参数配置一致。
    • 此外使用pp时需要在运行脚本GPT_ARGS中打开以下几个参数

    PP = 4 # PP > 1 开启
    GPT_ARGS="
    --optimization-level 2 \
    --use-multiparameter-pipeline-model-parallel \  #使用PP或者VPP功能必须要开启
    --variable-seq-lengths \  #按需开启，动态shape训练需要加此配置，静态shape不要加此配置
    "
    

• VP: 虚拟流水线并行

  目前支持将predictor模型切分虚拟流水线并行。

  • 使用场景：对流水线并行进行进一步切分，通过虚拟化流水线，降低空泡

  • 使能方式:

    • 如果想要使用虚拟流水线并行，请将pretrain_model.json文件中的"pipeline_num_layers"一维数组改造为两维，其中第一维表示虚拟并行的数量，二维表示流水线并行的数量，例如：[[3, 4, 4, 4], [3, 4, 4, 4]]，其中第一维两个数组表示vp为2, 第二维的stage个数为4表示流水线数量pp为3或4。
    • 需要在pretrain.sh当中修改如下变量，需要注意的是，VP仅在PP大于1的情况下生效:

    PP=4
    VP=2
    
    GPT_ARGS="
      --pipeline-model-parallel-size ${PP} \
      --virtual-pipeline-model-parallel-size ${VP} \
      --optimization-level 2 \
      --use-multiparameter-pipeline-model-parallel \  #使用PP或者VPP功能必须要开启
      --variable-seq-lengths \  #按需开启，动态shape训练需要加此配置，静态shape不要加此配置
    "
    

• 选择性重计算 + FA激活值offload

  • 如果显存比较充裕，可以开启选择性重计算（self-attention不进行重计算）以提高吞吐，建议同步开启FA激活值offload，将FA的激活值异步卸载至CPU

  • 选择性重计算

    • 在examples/wan2.1/{model_size}/{task}/pretrain.sh中，添加参数--recompute-skip-core-attention和--recompute-num-layers-skip-core-attention x可以开启选择性重计算，其中--recompute-num-layers-skip-core-attention后的数字表示跳过self attention计算的层数，--recompute-num-layers后的数字表示全重计算的层数，建议调小recompute-num-layers的同时增大recompute-num-layers-skip-core-attention直至显存打满。

      GPT_ARGS="
          --recompute-granularity full \
          --recompute-method block \
          --recompute-num-layers 0 \
          --recompute-skip-core-attention \
          --recompute-num-layers-skip-core-attention 40 \
      "
      

  • 不进行重计算的self-attention激活值异步offload

    • 在examples/wan2.1/{model_size}/{task}/pretrain_model.json中，通过attention_async_offload字段可以开启异步offload，建议开启该功能，节省更多的显存

• fsdp2

  • 使用场景：在模型参数规模较大时，可以通过开启fsdp2降低静态内存。

  • 使能方式：examples/wan2.1/{model_size}/{task}/pretrain_fsdp2.sh的GPT_ARGS中加入--use-torch-fsdp2，--fsdp2-config-path ${fsdp2_config}，--untie-embeddings-and-output-weights以及--ckpt-format torch_dist，其中fsdp2_config配置请参考：FSDP2说明

启动训练

bash examples/wan2.1/{model_size}/{task}/pretrain.sh

或

bash examples/wan2.1/{model_size}/{task}/pretrain_fsdp2.sh

lora 微调

准备工作

数据处理、特征提取、权重下载及转换同预训练章节

参数配置

参数配置同训练章节，除此之外，中涉及lora微调特有参数：

配置文件	修改字段	修改说明
examples/wan2.1/{model_size}/{task}/finetune_lora.sh	lora-r	lora更新矩阵的维度
examples/wan2.1/{model_size}/{task}/finetune_lora.sh	lora-alpha	lora-alpha 调节分解后的矩阵对原矩阵的影响程度
examples/wan2.1/{model_size}/{task}/finetune_lora.sh	lora-target-modules	应用lora的模块列表

启动微调

bash examples/wan2.1/{model_size}/{task}/finetune_lora.sh

微调完成后，可以使用权重转换工具，将训练好的lora权重与原始权重进行合并

mm-convert WanConverter merge_lora_to_base \
 --cfg.source_path <./converted_weights/Wan-AI/Wan2.1-{T2V/I2V}-{1.3/14}B-Diffusers/transformer/> \
 --cfg.target_path <./converted_weights/Wan-AI/Wan2.1-{T2V/I2V}-{1.3/14}B-Diffusers/transformer_merge/> \
 --cfg.lora_path <lora_save_path> \
 --lora_alpha 64 \
 --lora_rank 64

DPO训练

目前仅支持i2v任务的DPO基础训练，更多功能待后续完善。

环境准备

1. 参考docs/zh/features/vbench-evaluate.md中的环境安装指导完成vbench及依赖三方件的安装
2. 将VBench的 t2v json 下载到MM代码根路径"./vbench/VBench_full_info.json"

生成视频样本

1. 修改推理配置文件：

   参数配置文件	修改字段	修改说明
   examples/wan2.1/14b/i2v/inference_model.json	from_pretrained	修改为下载的权重所对应路径（包括vae、tokenizer、text_encoder）
   examples/wan2.1/14b/i2v/inference_model.json	num_inference_videos_per_sample	每个prompt生成的视频样本数量，建议至少大于2
   examples/wan2.1/14b/i2v/inference_model.json	save_path	生成视频的保存路径
   examples/wan2.1/14b/i2v/inference.sh	LOAD_PATH	转换之后的transformer部分权重路径

   i2v prompts配置文件	修改字段	修改说明
   examples/wan2.1/samples_i2v_images.txt	文件内容	图片路径
   examples/wan2.1/samples_i2v_prompts.txt	文件内容	自定义prompt

2. 启动推理流程生成视频样本：

   bash examples/wan2.1/14b/i2v/inference.sh
   

3. 删除视频样本保存路径下的video_grid.mp4，最终视频样本数量为：prompt条数 * $num_inference_videos_per_sample

生成偏好数据集

执行如下命令，为生成的视频样本打分，并生成偏好数据文件

python examples/wan2.1/histogram_generator.py --prompt_file <prompt文件路径> --videos_path <视频样本路径> --num_inference_videos_per_sample <每个prompt生成的视频样本数量>

生成偏好数据集脚本的参数说明如下：

参数	含义	如何配置
--prompt_file	prompt文件路径	与生成视频样本时，推理配置文件中的prompt字段值一致
--videos_path	视频样本路径	与生成视频样本时，推理配置文件中的save_path字段值一致
--num_inference_videos_per_sample	每个prompt生成的视频样本数量	与生成视频样本时，推理配置文件中的num_inference_videos_per_sample字段值一致

执行脚本后，会生成偏好数据集文件"data.jsonl"和评分概率直方图文件"video_score_histogram.json"，默认与视频样本目录平级

data.jsonl中包含成对的视频偏好数据和文本信息，具体示例如下：

[
    {
        "file": "video_0.mp4",
        "file_rejected": "video_2.mp4",
        "captions": "prompt1",
        "score": 0.646468401,
        "score_rejected": 0.5799660087
    },
    {
        "file": "video_4.mp4",
        "file_rejected": "video_5.mp4",
        "captions": "prompt2",
        "score": 0.7914018631,
        "score_rejected": 0.69968328357
    },
    ......
]

训练参数配置

在开始之前，请确认环境准备、模型权重准备、偏好数据准备已完成。

1. 权重配置

   需根据实际任务情况在启动脚本文件posttrain.sh中的LOAD_PATH="your_converted_dit_ckpt_dir"变量中添加转换后的权重的实际路径，如LOAD_PATH="./weights/Wan-AI/Wan2.1-I2V-14B-Diffusers/transformer/",其中./weights/Wan-AI/Wan2.1-I2V-14B-Diffusers/transformer/为转换后的权重的实际路径。LOAD_PATH变量中填写的完整路径一定要正确，填写错误的话会导致权重无法加载但运行并不会提示报错。 根据需要填写SAVE_PATH变量中的路径，用以保存训练后的权重。

2. 偏好数据集路径配置

   根据实际情况修改feature_data.json中的偏好数据集路径，分别为"data_path": "./sora_features/data.jsonl"替换为实际的data.jsonl所在路径,"data_folder": "./sora_features/"替换"/data_path/"为实际的视频样本所在路径。

3. VAE及text_encoder、tokenizer路径配置

   根据实际情况修改inference_model.json文件中from_pretrained字段配置vae、text_encoder、tokenizer路径。

4. dpo参数配置

   根据实际情况修改posttrain_model.json中的直方图文件路径，即将histogram_path的值配置为执行生成偏好数据集脚本后，生成的"video_score_histogram.json"文件路径

启动DPO训练

bash examples/wan2.1/14b/i2v/posttrain.sh

推理

准备工作

在开始之前，请确认环境准备、模型权重下载已完成

参数配置

检查模型权重路径、并行参数等配置是否完成

配置文件	修改字段	修改说明
examples/wan2.1/{model_size}/{task}/inference_model.json	from_pretrained	修改为下载的权重所对应路径（包括vae、tokenizer、text_encoder）
examples/wan2.1/samples_t2v_prompts.txt	文件内容	T2V推理任务的prompt，可自定义，一行为一个prompt
examples/wan2.1/samples_i2v_prompts.txt	文件内容	I2V推理任务的prompt，可自定义，一行为一个prompt
examples/wan2.1/samples_i2v_images.txt	文件内容	I2V推理任务的首帧图片路径，可自定义，一行为一个图片路径
examples/wan2.1/samples_flf2v_prompts.txt	文件内容	FLF2V推理任务的prompt，可自定义，一行为一个prompt
examples/wan2.1/samples_flf2v_images.txt	文件内容	FLF2V推理任务的首、尾帧图片路径，可自定义，一行为两张图片（首、尾帧）路径，用", "隔开
examples/wan2.1/samples_v2v_prompts.txt	文件内容	V2V推理任务的prompt，可自定义，一行为一个prompt
examples/wan2.1/samples_v2v_videos.txt	文件内容	V2V推理任务的首个视频路径，可自定义，一行为一个视频路径
examples/wan2.1/{model_size}/{task}/inference_model.json	save_path	生成视频的保存路径
examples/wan2.1/{model_size}/{task}/inference_model.json	dual_image	双帧推理输入，仅在FLF2V任务中设置为true，其他任务可不配置
examples/wan2.1/{model_size}/{task}/inference_model.json	input_size	生成视频的分辨率，格式为 [t, h, w]
examples/wan2.1/{model_size}/{task}/inference_model.json	flow_shift	scheduler参数，480P推荐shift=3.0，720P推荐shift=5.0，FLF2V任务推荐shift=16.0
examples/wan2.1/{model_size}/{task}/inference.sh	LOAD_PATH	转换之后的transformer部分权重路径

启动推理

bash examples/wan2.1/{model_size}/{task}/inference.sh

环境变量声明

环境变量	描述	取值说明
ASCEND_SLOG_PRINT_TO_STDOUT	是否开启日志打印	0: 关闭日志打屏 1: 开启日志打屏
ASCEND_GLOBAL_LOG_LEVEL	设置应用类日志的日志级别及各模块日志级别，仅支持调试日志	0: 对应DEBUG级别 1: 对应INFO级别 2: 对应WARNING级别 3: 对应ERROR级别 4: 对应NULL级别，不输出日志
TASK_QUEUE_ENABLE	用于控制开启task_queue算子下发队列优化的等级	0: 关闭 1: 开启Level 1优化 2: 开启Level 2优化
COMBINED_ENABLE	设置combined标志。设置为0表示关闭此功能；设置为1表示开启，用于优化非连续两个算子组合类场景	0: 关闭 1: 开启
CPU_AFFINITY_CONF	控制CPU端算子任务的处理器亲和性，即设定任务绑核	设置0或未设置: 表示不启用绑核功能 1: 表示开启粗粒度绑核 2: 表示开启细粒度绑核
HCCL_CONNECT_TIMEOUT	用于限制不同设备之间socket建链过程的超时等待时间	需要配置为整数，取值范围[120,7200]，默认值为120，单位s
PYTORCH_NPU_ALLOC_CONF	控制缓存分配器行为	expandable_segments:<value>: 使能内存池扩展段功能，即虚拟内存特征
HCCL_EXEC_TIMEOUT	控制设备间执行时同步等待的时间，在该配置时间内各设备进程等待其他设备执行通信同步	需要配置为整数，取值范围[68,17340]，默认值为1800，单位s
ACLNN_CACHE_LIMIT	配置单算子执行API在Host侧缓存的算子信息条目个数	需要配置为整数，取值范围[1, 10,000,000]，默认值为10000
TOKENIZERS_PARALLELISM	用于控制Hugging Face的transformers库中的分词器（tokenizer）在多线程环境下的行为	False: 禁用并行分词 True: 开启并行分词
MULTI_STREAM_MEMORY_REUSE	配置多流内存复用是否开启	0: 关闭多流内存复用 1: 开启多流内存复用
NPU_ASD_ENABLE	控制是否开启Ascend Extension for PyTorch的特征值检测功能	设置0或未设置: 关闭特征值检测 1: 表示开启特征值检测，只打印异常日志，不告警 2:开启特征值检测，并告警 3:开启特征值检测，并告警，同时会在device侧info级别日志中记录过程数据
ASCEND_LAUNCH_BLOCKING	控制算子执行时是否启动同步模式	0: 采用异步方式执行 1: 强制算子采用同步模式运行
NPUS_PER_NODE	配置一个计算节点上使用的NPU数量	整数值（如 1, 8 等）