近日，摩尔线程正式开源MT-MegatronLM与MT-TransformerEngine两大AI框架。通过深度融合FP8混合训练策略和高性能算子库，这两大框架在国产全功能GPU上实现了高效的混合并行训练和推理，显著提升了训练效率与稳定性。摩尔线程是国内率先原生支持FP8计算精度的国产GPU企业，此次开源不仅为AI训练和推理提供了全新的国产化解决方案，更对推动国产GPU在AI大模型领域的应用具有重要意义。
▼ MT-MegatronLM开源地址：
▼ MT-TransformerEngine开源地址：
框架介绍
MT-MegatronLM是面向全功能GPU的开源混合并行训练框架，支持dense模型、多模态模型及MoE（混合专家）模型的高效训练。该框架利用全功能GPU支持FP8混合精度策略、高性能算子库muDNN与集合通信库MCCL，可以显著提升国产全功能GPU集群的算力利用率。
MT-TransformerEngine主要用于Transformer模型的高效训练与推理优化，通过算子融合、并行加速策略等技术，充分释放摩尔线程全功能GPU高密度计算的潜力和memory bound算子的效率。
技术突破与优势
两大框架的技术突破集中体现在硬件适配与算法创新的深度协同：
▽ 混合并行训练：支持Dense、多模态及MoE模型的混合并行训练，可灵活应对不同模型架构的复杂运算场景；
▽ FP8混合训练策略：结合摩尔线程GPU原生支持的FP8混合精度训练策略，能够有效提升训练效率；
▽ 高性能算子库：通过高性能算子库muDNN与通信库MCCL的深度集成，系统性优化了计算密集型任务与多卡协同的通信开销；同时结合摩尔线程开源Simumax库，可自动进行并行策略搜索，并针对不同模型和加速环境spec最大化并行训练性能；
▽ 异常训练处理：框架内置的rewind异常恢复机制，可自动回滚至最近稳定节点继续训练，大幅提升大规模训练的稳定性；
▽ 完整的兼容性：两个框架兼容GPU主流生态，既保障了现有生态的平滑迁移，也为开发者构建自有的AI技术栈提供了底层支撑。
▼ 摩尔线程Simumax开源地址：
实际应用效果
在实际应用中，这两个框架的充分结合已经取得了显著的成果。这些成果不仅验证了框架的技术成熟度，也为国产GPU生态的规模化应用奠定了坚实基础。
▽ 高效训练：在全功能GPU集群上，Llama3 8B模型的训练任务，可以利用FP8在loss几乎无损的情况下MFU达到90%以上；（如下图所示）
图注：利用摩尔线程FP8混合精度加速技术在loss无损的情况下得到28%的加速
▽ 复现DeepSeek 满血版训练：摩尔线程已深度集成并开源对DeepSeek并行算法DualPipe的高效支持，MT-DualPipe可以完整接入MT-Megatron框架和MT-TransformerEngine框架，成功实现DeepSeek V3训练流程的完整复现，支持MLA、MTP及多种专家平衡策略；
▽ 性能大幅优化：通过多种Transformer算子融合技术，显著提升了内存带宽利用率，有效缓解memory bound瓶颈，进一步释放国产GPU的硬件潜力。
持续优化与生态共建
为加速国产GPU生态发展与建设，摩尔线程将持续优化MT-MegatronLM与MT-TransformerEngine框架，并引入一系列创新功能：
▽ Dual Pipe/ZeroBubble并行策略：进一步降低气泡率，提升并行训练效率；
▽ 多种FP8优化策略：独创的FP8优化策略，提高训练的性能和稳定性；
▽ 异步checkpoint策略：提高训练过程中的容错能力和效率；
▽ 优化后的重计算策略：减少计算和显存开销，提高训练速度；
▽ 容错训练策略：独创的容错训练算法，增强训练过程中的容错能力；
▽ 集成摩尔线程FlashMLA和DeepGemm库：进一步释放摩尔线程GPU的算力和FP8计算能力，提升计算性能和效率。
摩尔线程始终致力于推动开源生态的发展，通过技术开放与生态共建，加速国产全功能GPU在AI计算领域的规模化应用，为更多用户提供更智能、高效的解决方案。
