MindSpore后端支持说明

MindSpeed-LLM已支持接入华为自研AI框架MindSpore，旨在提供华为全栈易用的端到端的大语言模型训练解决方案，以此获得更极致的性能体验。MindSpore后端提供了一套对标PyTorch的API，用户无需进行额外代码适配即可无缝切换。

---

NEWS !!! 📣📣📣

🚀🚀🚀MindSpore后端已支持 Deepseek-V3/QWEN3/GLM-4.5 ！！！🚀🚀🚀

版本配套表

MindSpeed-LLM + MindSpore后端的依赖配套如下表，安装步骤参考基础安装指导。

依赖软件	版本
昇腾NPU驱动	在研版本
昇腾NPU固件
Toolkit（开发套件）	在研版本
Kernel（算子包）
NNAL（Ascend Transformer Boost加速库）
Python	3.10

注：由于master分支使用在研版本的驱动以及CANN包，因此master上的一些新特性老版本配套可能有不支持情况，要使用稳定版本，请切换到商发分支并下载对应依赖版本进行安装。 |

模型支持

MindSpore后端仅支持以 mcore 方式实现的模型，当前模型支持详情见下表，更多模型支持将逐步上线，敬请期待！

模型类别	模型列表
稠密模型	Dense
MOE模型	MOE

特性支持

MindSpore后端对MindSpeed的重要加速特性的支持情况如下表所示，部分不支持的特性将在后续迭代中逐步支持，敬请期待。

场景	特性名称	支持情况
SPTD并行	张量并行	✅
	流水线并行	✅
	虚拟流水并行	✅
	序列并行	✅
	Noop Layers	✅
	Seq1F1B流水线并行	✅
	全分片并行	暂不支持开启pp及--reuse-fp32-param参数配置
长序列并行	Ascend Ring Attention 长序列并行	✅
	Ulysses 长序列并行	✅
MOE	MOE 专家并行	✅
	MOE 重排通信优化	仅支持alltoall
显存优化	参数副本复用	须和分布式优化器特性一起使用
	分布式优化器	✅
	重计算	✅
	Norm重计算	✅
	Virtual Optimizer	✅
融合算子	Flash attention	✅
	Flash attention variable length	✅
	Fused rmsnorm	✅
	Fused swiglu	✅
	Fused rotary position embedding	✅
	GMM	✅
	Matmul Add	✅
通信优化	梯度reduce通算掩盖	✅
	权重all-gather通算掩盖	✅
	CoC	✅
	AllToAllVC 通信算子	✅

在线推理

特性	是否支持
流式推理	✅
Chat对话	✅
yarn上下文扩展	✅

开源数据集评测

即将上线，敬请期待！

开发工具链

数据预处理

MindSpore后端已完全支持MindSpeed-LLM的预训练、指令微调、RLHF等多种任务的数据预处理。

任务场景	数据集	Mcore	Released	贡献方
预训练	预训练数据处理	✅	✅	【Ascend】
微调	Alpaca风格	✅	✅
	ShareGPT风格	✅	✅
DPO	Pairwise数据集处理	✅	✅	【NAIE】

权重转换

MindSpeed MindSpore后端的权重转换与PyTorch后端保持了一致，当前支持huggingface、megatron-core两种格式的权重互转。权重转换特性参数和使用说明参考权重转换。

源格式	目标格式	切分特性	lora	贡献方
huggingface	megatron-core	tp、pp、dpp、vpp、cp、ep、loop layer	❌	【Ascend】
megatron-core	huggingface		✅
	megatron-core	tp、pp、dpp、vpp、cp、ep、loop layer	❌

性能采集

场景	特性	Mcore	贡献方
性能采集	基于昇腾芯片采集 profiling 数据	✅	【Ascend】

高可用性

场景	特性	Mcore	贡献方
高可用性	基于昇腾芯片开启确定性计算	✅	【Ascend】