👋 您好，欢迎向 MindSpeed MM 提交 Issue！

我们已收到您的反馈，感谢你对开源社区的支持。🎉

📅 处理时效： 维护团队将在 24 小时内 查看并回复您的问题（工作日）。

🚨 紧急联系： 如果您的问题非常紧急，可通过以下方式联系我们：

💬 微信： WeChat

请确保 Issue 描述清晰，包含复现步骤和日志，这将帮助我们更快定位问题。谢谢！

/label add good-first-issue

认领这个任务

认领这个任务

@jacky_leeie

欢迎认领任务，请参考https://gitcode.com/Ascend/MindSpeed-MM/issues/356 社区任务池明确该任务的：

• 完成的截止日期
• 开发进展反馈
• 微信答疑群
• 任务交付注意事项

等信息。如果您同时认领了多项任务，但无法都能进行投入，可以在部分任务中回复退出.

麻烦您加入到对应微信群，群备注名修改为"社区任务+您的gitcode账号", 后续有相关消息和问题都可以在微信群咨询答疑。 等您加入到微信群后，我这边会在社区任务池里面登记任务责任人。

认领这个任务

认领这个任务

FSDP2 后端迁移实践交付

已按仓内《FSDP2 迁移指南》端到端将 Qwen2.5-VL 接入新版插件式 FSDP2 后端，并在 2×Ascend 910（CANN 9.0.0）上完成最小 E2E 训练验证。

👉 PR：https://gitcode.com/Ascend/MindSpeed-MM/merge_requests/2776

交付内容

• 模型插件 mindspeed_mm/fsdp/models/qwen2_5_vl/：注册 HF Qwen2_5_VLForConditionalGeneration（走 ModelHub transformers 路径，无需复制 modeling）+ NPU 亲和融合算子（RMSNorm/vision-RoPE/SwiGLU，精度等价）。
• 示例 examples/qwen2.5vl/qwen2_5_vl_3b_fsdp2_plugin.{yaml,sh}：数据分支 A 完全复用 huggingface（template=qwen2vl、collator 复用 DataCollatorForQwen2vl）。
• 实践文档 docs/zh/practice/：
  • qwen2_5_vl_fsdp2_model_development.md（模型开发实践）
  • qwen2_5_vl_fsdp2_performance_tuning.md（性能优化实践）

验证结果

• 端到端跑通 30/30 iteration，forward→loss→backward→optimizer step 正常，loss 为有效训练信号（0.67~1.21），稳态 ~629 ms/iter。
• 性能：NPU 融合算子实测单步 670.6 ms → 629.1 ms（↑6.2%）。
• 精度对齐：同种子逐 iteration 对比融合前后 loss，差异稳定在 ~1e-3（bf16 舍入），无系统性偏移。

未触碰框架核心代码，仅新增插件包、示例与文档。烦请评审，谢谢！

@jacky_leeie
请您在完成任务后填表登记：MM社区任务管理 https://www.kdocs.cn/l/cdATVWqoh385

我要认领这个任务

@jacky_leeie 您好！

MindSpeed-MM 邀请您参加 2026-08-20 16:00 召开的WeLink会议

会议主题：MindSpeed MM 社区例会

会议内容：
1.社区关键issue解答
2.代码合入评审

会议链接：https://meeting.huaweicloud.com:36443/#/j/980887584

会议纪要&签到链接：https://etherpad.ascend.osinfra.cn/p/sig-MindSpeed-MM

PR !2776 评审整改与交付更新（2026-10-13）

PR !2776 已追加并推送提交 53639ea，针对 PR 的人工评审意见完成本轮代码/示例/说明整改。

• 规范 _v1 YAML/Shell 命名，补 README_v1.md；启动端口改为 6000，参数数组替代 ShellCheck 抑制，训练失败正确返回非零。
• Dense Qwen2.5-VL 不再配置 EP；视觉塔默认可训练，可选冻结，并验证了图像 forward/backward 下的梯度。
• 补 load、保存/恢复 optimizer/RNG、Chunk Loss/recompute/offload、profiler 和 memory 参数；YAML 已通过真实参数类型解析。
• 适配 HF forward 与框架 Chunk Loss head 的接口，验证 loss/梯度；不兼容的 raw loss、cache/logits 裁剪和通用 Chunk MBS 组合提前报错。
• 完整实践按题目要求提交到 issue：开发实践 #789、性能优化与精度验证 #790。仓内实践旧链接仅保留入口，README 负责操作说明。
• 提供历史 NPU 四个已记录点的图表，以及本轮真实 CPU 30 步完整图/CSV/指标 JSON；明确两组数据的来源和验证范围。

本轮验证结果：20 项 CPU 数值回归通过，1 项 NPU 专项因无设备跳过。真实 HF 小型图文模型的 Chunk Loss、重计算、全部参数梯度、ViT 冻结/不冻结验证通过；30 次 AdamW 更新的最大绝对 loss 差 4.76837158203125e-7。脚本参数与失败退出码、Python 编译、链接及 diff 检查通过。

当前机器无 NPU/GPU，未宣称本轮已完成 NPU FA/Chunk Loss、完整 3B FSDP2/HCCL 或性能复测；历史 670.6→629.1 ms 与四个 loss 点不作为当前提交的新实测验收结论。PR 的对应线程已补回复，仍需维护者复核、目标 NPU 验证与最终合入验收。

远端状态：本轮提交的文档 CI四项均通过，CLA 为 ascend-cla/yes。追加修正后 PR 共两条提交，机器人标记 stat/needs-squash；请维护者按仓库流程 squash 合入。人工意见仍需检视人复核确认，PR 尚未合入。