昇腾大模型加速库
简介
MindSpeed Core是针对华为昇腾设备的大模型加速库。
大模型训练是一种非常复杂的过程，涉及到许多技术和挑战，其中大模型训练需要大量的显存资源是一个难题，对计算卡提出了不小的挑战。 为了在单个计算卡显存资源不足时，可以通过多张计算卡进行计算，业界出现了类似 Megatron、DeepSpeed 等第三方大模型加速库，对模型、输入数据等进行切分并分配到不同的计算卡上，最后再通过集合通信对结果进行汇总。
昇腾提供 MindSpeed Core 加速库，使客户大模型业务能快速迁移至昇腾设备，并且支持昇腾专有算法，确保开箱可用。
此外在 MindSpeed Core 加速库的基础之上也提供了大语言模型、多模态模型以及强化学习模型套件加速库:
- 📝 大语言模型库: MindSpeed LLM
- 🖼️ 多模态模型库: MindSpeed MM
- 🖥️ 强化学习加速库: MindSpeed RL
最新消息
- [May 21, 2025]: 🚀 MindSpeed Core 支持Mcore 0.12.1版本。
注： 当前版本初步支持两种版本的Transformer实现。如需回溯老版本Transformer实现，需要用户配置参数
--transformer-impl local。
社区会议
- MindSpeed系列TC及SIG会议安排请查看Ascend会议中心
版本说明
当前版本推荐配套表如下：
| 软件 | 版本 |
|---|---|
| MindSpeed Core分支 | 26.0.0_core_r0.12.1 |
| Mcore版本 | 0.12.1 |
| CANN版本 | 9.0.0 |
| PyTorch | 2.7.1 |
| torch_npu版本 | 26.0.0 |
| Python版本 | Python3.10.x |
更多具体说明请参考：版本配套表。
安装
MindSpeed Core拉取源码后使用pip命令行安装pip install -e MindSpeed，具体请参考 部署文档 安装 MindSpeed Core 指定分支及其依赖软件。
获取并切换Megatron-LM版本至 core_v0.12.1 版本，可参考：
git clone https://github.com/NVIDIA/Megatron-LM.git
cd Megatron-LM
git checkout core_v0.12.1
快速上手
概述
使用MindSpeed Core仅须增加一行代码，即可在昇腾训练设备上运行Megatron-LM，并进一步参考特性介绍 使能MindSpeed的各项加速特性。
操作方法
以 GPT 模型为例：在 Megatron-LM 目录下修改pretrain_gpt.py文件，在import torch下新增一行：import mindspeed.megatron_adaptor，即如下修改：
import torch
import mindspeed.megatron_adaptor # 新增代码行
from functools import partial
from contextlib import nullcontext
import inspect
具体操作可以参考快速上手指导。
加速特性分级说明
MindSpeed Core 加速特性分为三个层级，用户可根据实际需求选择通过设置启动脚本中的 --optimization-level {层级} 参数来自定义开启的优化层级。该参数支持以下配置：
| 层级 | 层级名称 | 介绍 |
|---|---|---|
| 0 | 基础功能兼容 | 提供Megatron-LM框架对NPU的基本功能适配。 |
| 1 | 亲和性增强🔥 | 在L0基础上使能部分融合算子与昇腾亲和计算改写。 |
| 2 | 加速特性使能🔥🔥 | 默认值。在L0、L1基础上开启更丰富的加速特性，加速特性通常通过具体参数使能，可参考"特性介绍"章节。 |
特性介绍
MindSpeed 特性由七大模块组成，分别为：Megatron特性支持、并行策略特性、内存优化特性、亲和计算特性、通信优化特性、关键场景特性以及多模态特性。其中【Released】表示是否商用发布，原型特性为非商用发布。
-
特性的介绍中说明了对应特性的应用场景及使用说明。一般而言，在脚本中加入相关参数即可轻松使用对应特性。🛰️
-
MindSpeed 加速特性仅支持mcore，这也是Megatron在v0.6.0版本后主推分支，也是当前版本的默认分支。🛰️
-
当前大模型训练主要使用bf16数据类型，以下特性若无特殊声明原则上兼容fp16, 如使用其它数据类型遇到问题可提交issue, 我们会快速响应。🛰️
-
注意❗：在Megatron_core_r0.9.0后，alltoall dispatcher进行了调整，原版本alltoall dispatcher重命名为alltoall_seq。MindSpeed MoE特性对各分支的支持情况，见各特性说明。
Megatron特性支持
| 特性名称 | 介绍 | Released |
|---|---|---|
| Megatron 数据并行 | link | ✅ |
| Megatron 张量并行 | link | ✅ |
| Megatron 流水并行 | link | ✅ |
| Megatron 虚拟流水线并行 | link | ✅ |
| Megatron 分布式优化器 | link | ✅ |
| Megatron 序列并行 | link | ✅ |
| Megatron 异步DDP | link | ✅ |
| Megatron 权重更新通信隐藏 | link | ✅ |
| Megatron 重计算 | link | ✅ |
| Megatron 分布式权重 | link | ✅ |
| Megatron 全分片并行 | link | ✅ |
| Megatron Transformer Engine | link | ✅ |
| Megatron Multi-head Latent Attention | link | ✅ |
并行策略特性
| 特性名称 | 介绍 | Released |
|---|---|---|
| Ascend Ulysses 长序列并行 | link | ✅ |
| Ascend Ring Attention 长序列并行 | link | ✅ |
| Ascend Double Ring Attention 长序列并行 | link | ✅ |
| Ascend 混合长序列并行 | link | ✅ |
| Ascend 自定义空操作层 | link | ✅ |
| Ascend DualPipeV | link | ✅ |
内存优化特性
| 特性名称 | 介绍 | Released |
|---|---|---|
| Ascend 激活函数重计算 | link | ✅ |
| Ascend 重计算流水线独立调度 | link | ✅ |
| Ascend Mask归一 | link | ✅ |
| Ascend BF16 参数副本复用 | link | ✅ |
| Ascend swap_attention | link | ✅ |
| Ascend Norm重计算 | link | ✅ |
| Ascend Hccl Buffer 自适应 | link | ✅ |
| Ascend Swap Optimizer | link | ✅ |
| Virtual Optimizer | link | ✅ |
亲和计算特性
| 特性名称 | 介绍 | Released |
|---|---|---|
| Ascend rms_norm 融合算子 | link | ✅ |
| Ascend swiglu 融合算子 | link | ✅ |
| Ascend rotary_embedding 融合算子 | link | ✅ |
| Ascend flash attention | link | ✅ |
| Ascend Moe Token Permute and Unpermute 融合算子 | link | ✅ |
| Ascend npu_matmul_add_fp32 梯度累加融合算子 | link | ✅ |
| Ascend 计算通信并行优化 | link | ❌ |
| Ascend MC2 | link | ❌ |
| Ascend fusion_attention_v2 | link | ❌ |
通信优化特性
| 特性名称 | 介绍 | Released |
|---|---|---|
| Ascend Gloo 存档落盘优化 | link | ✅ |
| Ascend 高维张量并行 | link | ✅ |
Mcore MoE特性
| 特性名称 | 介绍 | Released |
|---|---|---|
| Ascend Megatron MoE GMM | link | ✅ |
| Ascend Megatron MoE Allgather Dispatcher 性能优化 | link | ✅ |
| Ascend Megatron MoE Alltoall Dispatcher 性能优化 | link | ✅ |
| Ascend Megatron MoE TP拓展EP | link | ✅ |
| Megatron MoE alltoall dispatcher分支通信隐藏优化 | link | ❌ |
| Megatron MoE allgather dispatcher分支通信隐藏优化 | link | ✅ |
| Ascend 共享专家 | link | ✅ |
| 1F1B Overlap | link | ✅ |
| 专家并行动态负载均衡(数参互寻) | link | ✅ |
关键场景特性
| 特性名称 | 介绍 | Released |
|---|---|---|
| Ascend EOD Reset训练场景 | link | ✅ |
| Ascend alibi | link | ❌ |
多模态特性
| 特性名称 | 介绍 | Released |
|---|---|---|
| Ascend fused ema adamw优化器 | link | ❌ |
| Ascend PP支持动态形状 | link | ✅ |
| Ascend PP支持多参数传递 | link | ✅ |
| Ascend PP支持多参数传递和动态形状 | link | ✅ |
| Ascend 非对齐线性层 | link | ✅ |
| Ascend 非对齐Ulysses长序列并行 | link | ✅ |
其它特性
| 特性名称 | 介绍 | Released |
|---|---|---|
| Ascend TFLOPS计算 | link | ✅ |
| Ascend Auto Settings 并行策略自动搜索系统 | link | ❌ |
| Ascend 确定性计算 | link | ❌ |
| Ascend MindStudio Training Tools 精度对照 | link | ❌ |
自定义算子
昇腾训练自定义算子统一由torch_npu提供API，以下API预计2025年Q4起不维护，请优先使用torch_npu提供的自定义算子，如有新需求或问题可提issue反馈，我们会尽快回复。
部分自定义算子设置为公开接口，公开接口设置说明请参照 MindSpeed 安全声明中的公开接口声明，具体对外接口细节参照以下算子对应的手册链接。
| 自定义算子名称 | 介绍 | Released |
|---|---|---|
| npu_dropout_add_layer_norm | link | ✅ |
| npu_rotary_position_embedding | link | ✅ |
| fusion_attention | link | ✅ |
| rms_norm | link | ✅ |
| swiglu | link | ✅ |
| npu_mm_all_reduce_add_rms_norm | link | ✅ |
| npu_mm_all_reduce_add_rms_norm_ | link | ✅ |
| npu_gmm | link | ✅ |
| npu_grouped_mat_mul_all_reduce | link | ✅ |
| npu_ring_attention_update | link | ✅ |
| npu_matmul_add_fp32 | link | ✅ |
| npu_groupmatmul_add_fp32 | link | ✅ |
| npu_apply_fused_ema_adamw | link | ❌ |
| lcal_coc | link | ❌ |
| ffn | link | ❌ |
| npu_all_to_all_all_gather_bmm | link | ❌ |
| npu_bmm_reduce_scatter_all_to_all | link | ❌ |
| quant_gmm | link | ❌ |
| npu_apply_fused_adamw_v2 | link | ✅ |
分支维护策略
🛠️ MindSpeed 版本分支的维护阶段如下：
| 状态 | 时间 | 说明 |
|---|---|---|
| 计划 🕐 | 1-3 个月 | 计划特性 |
| 开发 🕔 | 3 个月 | 开发特性 |
| 维护 🕚 | 6-12 个月 | 合入所有已解决的问题并发布版本，针对不同的MindSpeed 版本采取不同的维护策略，常规版本和长期支持版本维护周期分别为6个月和12个月 |
| 无维护 🕛 | 0-3 个月 | 合入所有已解决的问题，无专职维护人员，无版本发布 |
| 生命周期终止（EOL）🚫 | N/A | 分支不再接受任何修改 |
🛠️ MindSpeed 版本维护策略：
| MindSpeed版本 | 维护策略 | 当前状态 | 发布时间 | 后续状态 | EOL日期 |
|---|---|---|---|---|---|
| 26.0.0_core_r0.12.1 | 常规版本 | 维护 | 2026/3/30 | 预计2026/9/30起无维护 | |
| 2.3.0_core_r0.12.1 | 常规版本 | 维护 | 2025/12/30 | 预计2026/6/30起无维护 | |
| 2.2.0_core_r0.12.1 | 常规版本 | 停止维护 | 2025/09/30 | 2026/3/30起无维护 | |
| 2.1.0_core_r0.12.1 | 常规版本 | 停止维护 | 2025/06/30 | 2025/12/30起无维护 | |
| 2.1.0_core_r0.8.0 | 常规版本 | 停止维护 | 2025/06/30 | 2025/12/30起无维护 | |
| 2.0.0_core_r0.8.0 | 常规版本 | 停止维护 | 2025/03/30 | 2025/9/30起无维护 | |
| 1.0.0_core_r0.7.0 | 常规版本 | 停止维护 | 2024/12/30 | 2025/6/30起无维护 | |
| 1.0.0_core_r0.6.0 | 常规版本 | 停止维护 | 2024/12/30 | 2025/6/30起无维护 | |
| 1.0.RC3_core_r0.7.0 | 常规版本 | 停止维护 | 2024/09/30 | 2025/3/30起无维护 | |
| 1.0.RC3_core_r0.6.0 | 常规版本 | 停止维护 | 2024/09/30 | 2025/3/30起无维护 | |
| 1.0.RC2 | 常规版本 | 停止维护 | 2024/06/30 | 2024/12/30起无维护 | |
| 1.0.RC1 | 常规版本 | 停止维护 | 2024/03/30 | 2024/9/30起无维护 |
常见问题
| 现象 | 介绍 |
|---|---|
| Data helpers 数据预处理出错 ❗ | data_helpers数据预处理出错 |
| Torch extensions 编译卡住 ❗ | Torch extensions卡住 |
| megatron0.7.0版本长稳测试出现grad norm为nan ❗ | grad_norm_nan |
| Gloo建链失败Gloo connectFullMesh failed with ... ❗ | hccl-replace-gloo |
技术文章
安全声明
免责声明
致MindSpeed使用者
- MindSpeed提供的所有内容仅供您用于非商业目的。
- 对于MindSpeed测试用例以及示例文件中所涉及的各模型和数据集，平台仅用于功能测试，华为不提供任何模型权重和数据集，如您使用这些数据进行训练，请您特别注意应遵守对应模型和数据集的License，如您因使用这些模型和数据集而产生侵权纠纷，华为不承担任何责任。
- 如您在使用MindSpeed过程中，发现任何问题（包括但不限于功能问题、合规问题），请在Gitee提交issue，我们将及时审视并解决。
- MindSpeed功能依赖的Megatron等第三方开源软件，均由第三方社区提供和维护，因第三方开源软件导致的问题的修复依赖相关社区的贡献和反馈。您应理解，MindSpeed仓库不保证对第三方开源软件本身的问题进行修复，也不保证会测试、纠正所有第三方开源软件的漏洞和错误。
致数据所有者
如果您不希望您的模型或数据集在MindSpeed中被提及，或希望更新MindSpeed中有关的描述，请在Gitee提交issue，我们将根据您的issue要求删除或更新您相关描述。衷心感谢您对MindSpeed的理解和贡献。
License声明
Ascend MindSpeed中涉及的模型，如模型目录下存在License的，以该License为准。如模型目录下不存在License的，以Apache 2.0许可证许可，对应许可证文本可查阅Ascend MindSpeed根目录。
致谢
🔎 MindSpeed-Core 由华为公司的下列部门联合贡献 ：
华为公司：
- 昇腾计算产品部
- 计算算法部
- 计算软件平台部
- 计算技术开发部
- 公共开发部：NAIE
- 网络技术实验室
此外，MindSpeed-Core 感谢以下团队对项目的贡献：
- 微信基础架构中心
- 科大讯飞AI工程院内核技术部
感谢来自社区的每一个PR，欢迎贡献 MindSpeed-Core！
