1. 基本信息

项目	内容
作者	rongyue
相关模块	core/shard
相关 issue / PR	暂无
适用后端	PT

---

2. 背景

Hyper-Parallel 当前已经完成部分分布式算子的迁移，并统一接入新的三阶段分布式算子流程：

preprocess
    ↓
infer_layout
    ↓
get_expand_impl
    ↓
local operator execution
    ↓
wrap_output

目前已有算子能够支持部分基础网络训练场景，但在 DeepSeek、Qwen 以及 LlamaFactory 网络训练过程中，仍存在部分算子未注册或未实现完整分布式语义的问题。

缺失算子可能导致：

• DTensor 无法正常 dispatch；
• Layout 无法正确推导；
• 输出 DTensor 的 tensor_map 与实际 shape 不匹配；
• local execution 与 global semantic 不一致；
• backward 或 optimizer step 阶段失败；
• 模型训练流程无法闭环。

本 RFC 要解决的问题：

补齐 DeepSeek、Qwen 和 LlamaFactory 网络训练过程中依赖的缺失分布式算子，使目标模型能够完成完整训练流程。

完成后的成功标准：

• 目标模型训练过程中不存在阻塞性 Missing operator；
• 新增算子均遵循统一分布式算子流程；
• forward、loss、backward、optimizer step 均可正常执行；
• 分布式结果与单卡 reference 对齐。

---

3. 目标和非目标

3.1 目标

1. 支持 DeepSeekV32、Qwen 系列以及 LlamaFactory(Qwen) 训练过程中缺失算子。
2. 统一新增算子的 Layout 推导和分布式执行流程。
3. 支持模型训练闭环：

forward
    ↓
loss
    ↓
backward
    ↓
optimizer step

4. 明确不同算子的 Layout、Partial 和分片约束。
5. 建立模型级算子覆盖和回归验证能力。

---

3.2 非目标

1. 本期不保证所有算子支持任意维度切分。

原因：

部分算子在某些 shard 方式下需要额外通信，第一阶段优先支持语义明确的场景。

2. 本期不针对单个模型增加特殊逻辑。

原因：

算子实现需要基于通用 Layout 语义，而不是模型名称或固定 shape。

3. 本期不涉及训练框架 API 改造。

原因：

当前问题主要集中在 distributed operator 支持。

---

4. 相关实现参考

来源	做法	限制	对本 RFC 的影响
Hyper-Parallel 已有 distributed ops	通过 Layout inference + local execution 实现分布式算子	部分算子覆盖不足	复用已有基础能力
DTensor 分布式语义	根据 placement 推导 global tensor 语义	需要算子明确 Layout 规则	作为设计基础
DeepSeek/Qwen/LlamaFactory 实际训练调用	根据 trace 结果补齐缺失算子	依赖真实模型场景	确定开发优先级

---

5. 缺失算子范围

本 RFC 按模型驱动推进。

优先级：

DeepSeekV32
    ↓
Qwen 系列模型
    ↓
LlamaFactory(Qwen)

---

5.1 DeepSeekV32

缺失算子：

cpu
cross_entropy
gather
histc
index_add_
new_zeros
npu_rms_norm
npu_rotary_mul
tolist
type_as
vstack

优先完成 DeepSeekV32 训练关键路径。

---

5.2 Qwen 系列

Qwen-3.5-0.8B

conv1d
cross_entropy
softplus
to
tril

Qwen3_5_35B_A3B_Base

conv1d
cross_entropy
greater
one_hot
softplus
to
tril
where

Qwen3_VL_30B_A3B_Instruct

bool
cross_entropy
greater
index_add_
one_hot
scatter_
tolist
where

---

5.3 LlamaFactory(Qwen)

缺失算子：

cross_entropy
clamp_
grouped_mm_fallback
histc
type_as
conv1d
softplus
tril
to
one_hot
greater
where
scatter_
index_add_

---

6. 方案设计

6.1 总体流程

新增算子统一遵循：

operator call
      |
      v
preprocess
      |
      v
infer_layout
      |
      v
get_expand_impl
      |
      v
local operator execution
      |
      v
wrap output DTensor

---

6.2 核心设计原则

Layout 推导

新增算子需要明确：

• 输入 Layout 合法范围；
• 输出 Layout；
• tensor_map 与 Tensor rank 一致性；
• shape 变化后的维度映射；
• 广播维处理方式。

---

Partial 处理

新增算子需要明确 Partial 支持范围。

以下类型通常需要额外限制：

• 非线性计算；
• 比较操作；
• index 操作；
• inplace 更新；
• Python scalar conversion。

不支持场景需要：

• 显式报错；
• 或执行 redistribution。

---

Local 与 Global 语义一致性

不能仅因为 local Tensor 可以执行，就认为满足分布式语义。

需要考虑：

• shard 维度；
• 全局结果一致性；
• 是否需要 collective communication；
• 是否存在跨 rank 数据依赖。

---

原地算子

需要保证：

• Layout 不变化；
• DeviceMesh 不变化；
• Placements 不变化；
• autograd 正确。

---

Fused 算子

对于语义一致的 fused 和 non-fused 算子：

rms_norm / npu_rms_norm
rotary_mul / npu_rotary_mul
adamw / fused_adamw

尽量复用同一套 Layout 规则。

---

7. 组件依赖

依赖组件	强依赖/弱依赖	当前状态	未 ready 时本期能力
DTensor	强依赖	已支持	无法完成输出封装
DeviceMesh	强依赖	已支持	无法完成 Layout 推导
Distributed Operator Framework	强依赖	已支持	无法接入新算子
Shard Ops Test Framework	强依赖	已支持	无法完成 ST
FSDP	弱依赖	已支持	不影响算子开发
TP/DP	弱依赖	已支持	影响部分测试范围

完整能力需要：

• 分布式算子支持；
• 模型训练验证；
• backward 流程验证。

本期最小交付：

• 支持目标模型关键路径算子；
• 完成 forward/loss/backward 验证。

---

8. 约束与兼容性

类型	内容
不支持项	不支持所有算子的任意 shard 组合
Layout 约束	必须保证输入输出 Layout 合法
Partial 约束	不支持的 Partial 场景需要提前报错
PT/MS 差异	不同 backend 算子接口可能不同，需要保持 Layout 语义一致
已有行为影响	新增算子不改变已有算子行为

---

9. 验证设计

9.1 用例分层

用例级别	覆盖内容	通过标准
UT	Layout 推导、参数校验、异常场景	输出 Layout 正确
Level0	单算子分布式执行	与单卡结果一致
Level1	模型训练组合验证	完成训练闭环

---

9.2 模型验证

模型	验证内容	通过标准
DeepSeekV32	forward/loss/backward/optimizer	无 Missing operator
Qwen 系列	多规模模型验证	输出和梯度一致
LlamaFactory(Qwen)	完整训练流程	可以继续训练

---

9.3 性能验证

本 RFC 不以性能优化为目标。

主要关注：

• 算子正确性；
• 训练流程完整性；
• 分布式结果一致性。

---

10. 实现计划

PR	内容	依赖	验证
PR1	DeepSeekV32 缺失算子支持	无	UT +ST
PR2	Qwen 系列缺失算子支持	PR1	UT +ST
PR3	LlamaFactory 训练闭环支持	PR2	UT+ST

---

11. 总结

本 RFC 以真实模型训练需求为驱动，按照：

DeepSeekV32
    ↓
Qwen
    ↓
LlamaFactory

的优先级补齐 Hyper-Parallel 缺失分布式算子。

通过统一 Layout 推导、Partial 处理和分布式执行流程，使 Hyper-Parallel 支持目标模型完整训练闭环。