MindSpeed-LLM是基于昇腾生态的大语言模型分布式训练框架，旨在为华为 昇腾芯片 生态合作伙伴提供端到端的大语言模型训练方案，包含分布式预训练、分布式指令微调、分布式偏好对齐以及对应的开发工具链，如：数据预处理、权重转换、在线推理、基线评估。

注 : 原仓名ModelLink更改为MindSpeed-LLM，原包名modellink更改为mindspeed_llm

---

NEWS !!! 📣📣📣

🚀🚀🚀DeepSeek-R1 系列功能逐步上线！！🚀🚀🚀

DeepSeek-R1-ZERO Qwen-7B 😊

包含数据处理、权重转换、在线推理、全参微调

🚀🚀🚀DeepSeek-V3-671B 模型全家桶已上线！！！🚀🚀🚀

数据处理：预训练、 指令微调 😊

权重转换 😊

预训练 😊

微调: 全参微调、 LoRA微调、 QLoRA微调 😊

🚀🚀🚀DeepSeek-R1-Distill 系列模型已上线！！🚀🚀🚀

DeepSeek-R1-Distill-Qwen 😊

DeepSeek-R1-Distill-LLaMA 😊

COMING SOON !!! 📣📣📣

🚀🚀 DeepSeek-R1-Zero 👋👋

🚀🚀 DeepSeek-R1：SFT、GRPO、Reward、Rejection Sampling 👋👋

🚀🚀 MindSpeed-RL 👋👋

---

版本配套表

MindSpeed-LLM的以来配套如下表，安装步骤参考安装指导。

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	>=3.8
PyTorch	2.1
torch_npu插件	在研版本
apex

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。

预置模型

MindSpeed-LLM目前已内置支持百余个业界常用稠密和MOE大模型的预训练、微调和偏好对齐，预置模型清单详见下表。

模型类别	模型列表
稠密模型	Dense
MOE模型	MOE

训练方案与特性

MindSpeed-LLM包含分布式预训练、分布式微调、分布式偏好对齐等训练方案。

• legacy是megatron早期方案，与新的mcore方案在代码设计上存在差异，legacy方案不支持moe模型以及长序列CP切分方案，我们建议优先使用mcore方案。

• Released表示是否商用发布，未商用发布特性处于内部开发状态，不推荐开发者使用。

分布式预训练

基于MindSpeed-LLM的实测预训练性能如下：

模型系列	实验模型	硬件信息	集群规模	MFU
LLAMA2	LLAMA2-7B	Atlas 900 A2 PODc	1x8	69.0%
	LLAMA2-13B	Atlas 900 A2 PODc	1x8	64.7%
	LLAMA2-70B	Atlas 900 A2 PODc	4x8	44.1%
Mixtral	Mixtral-8x7B	Atlas 900 A2 PODc	8x8	31.7%

基于 GPT3-175B 稠密大模型，从128颗 NPU 扩展到 7968颗 NPU 进行 MFU 与线性度实验，下图是实验数据：

图中呈现了对应集群规模下的 MFU 值与集群整体的 线性度情况. 计算公式已经放到社区，点击链接可进行参考：MFU计算公式，线性度计算公式.

预训练方案

方案类别	Legacy	Mcore	Released	贡献方
样本拼接	✅	✅	✅	【Ascend】
样本pack	✅	✅	❌

加速特性

场景	特性名称	Mcore	Legacy	Released	贡献方
SPTD并行	张量并行	✅	✅	✅	【Ascend】
	流水线并行	✅	✅	✅
	虚拟流水并行	✅	✅	✅
	序列并行	✅	✅	✅
	Noop Layers	✅	❌	✅
长序列并行	Ascend Ring Attention 长序列并行	✅	❌	✅
	Ulysses 长序列并行	✅	❌	✅
	混合长序列并行	✅	❌	✅
MOE	MOE 专家并行	✅	❌	✅
	MOE 重排通信优化	✅	❌	✅
显存优化	参数副本复用	✅	✅	✅
	分布式优化器	✅	✅	✅
	Swap Attention	✅	✅	✅
	重计算	✅	✅	✅
	Norm重计算	✅	❌	✅
	O2 BF16 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	✅	✅	✅
	Recompute in advance	✅	❌	✅
	权重all-gather通算掩盖	✅	❌	✅
	MC2	✅	✅	❌
	CoC	✅	✅	❌
	Ascend Gloo 存档落盘优化	✅	✅	❌

分布式微调

基于MindSpeed-LLM的实测指令微调性能如下：

模型	硬件	集群	方案	序列	性能	MFU
llama2-7B	Atlas 900 A2 PODc	1x8	全参	dynamic	15.87 samples/s	-
			全参	16K	1.14 samples/s	37.4%
			全参	32K	0.51 samples/s	48.4%
llama2-13B	Atlas 900 A2 PODc	1x8	全参	dynamic	50.4 samples/s	-
llama2-70B	Atlas 900 A2 PODc	1x8	LoRA	dynamic	15.2 samples/s	-

微调方案

方案名称	Mcore	Legacy	LoRA	QLoRA	Released	贡献方
单样本微调	✅	✅	✅	✅	✅	【Ascend】
多样本pack微调	✅	✅	✅	❌	❌	【NAIE】
多轮对话微调	✅	✅	✅	❌	❌	【Ascend】

加速特性

场景	特性	Mcore	Legacy	Released	贡献方
LoRA微调	CCLoRA	✅	✅	✅	【Ascend】
	Fused_MLP	✅	✅	✅	【Ascend】
QLoRA微调	CCLoRA	❌	❌	❌	【NAIE】
	Fused_MLP	❌	❌	❌	【NAIE】
长序列微调	长序列CP方案	✅	❌	❌	【Ascend】

分布式偏好对齐

基于MindSpeed-LLM的实测偏好对齐性能如下：

模型	硬件	算法	集群	方案	序列	吞吐
llama2-7B	Atlas 900 A2 PODc	Offline DPO	1x8	全参	dynamic	12.74 samples/s
				全参	16K	0.440 samples/s
				Lora	dynamic	14.22 samples/s
			2x8	全参	32K	0.216 samples/s

偏好对齐方案

算法分类	方案名称	Mcore	Legacy	LoRA	QLoRA	Released	贡献方
偏好对齐	Offline DPO	✅	❌	✅	❌	❌	【NAIE】
	SimPO	✅	❌	✅	❌	❌	【China Mobile Cloud】
奖励模型	ORM	✅	❌	✅	❌	❌	【Ascend】
	PRM	✅	❌	✅	❌	❌	【Ascend】
	Ray PPO	✅	❌	✅	❌	❌	【Ascend】
	Trl PPO	✅	❌	✅	❌	❌	【Ascend】

加速特性

场景	特性	Mcore	Legacy	Released	贡献方
LoRA	CCLoRA	✅	❌	✅	【Ascend】
	Fused_MLP	✅	❌	✅	【Ascend】
QLoRA	CCLoRA	✅	❌	❌	【Ascend】
	Fused_MLP	❌	❌	❌	【Ascend】
长序列	长序列CP方案	✅	❌	❌	【Ascend】

开发工具链

权重转换

MindSpeed-LLM支持huggingface、megatron-core、megatron-legacy三种格式的权重互转，支持Lora权重合并。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	Released
huggingface	megatron-core	tp、pp、dpp、vpp、cp、ep、loop layer	❌	【Ascend】	❌
	megatron-legacy		❌
megatron-core	huggingface		✅
	megatron-legacy	tp、pp、dpp、vpp、cp、ep、loop layer	✅
	megatron-core		✅
megatron-legacy	huggingface		✅
	megatron-core	tp、pp、dpp、vpp、cp、ep、loop layer	✅
	megatron-legacy		✅

数据预处理

MindSpeed-LLM支持预训练、指令微调、RLHF等多种任务的数据预处理。

任务场景	数据集	Mcore	Legacy	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】
SimPO		✅	✅	❌
ORM		✅	✅	❌
PRM	PRM数据集处理	✅	✅	❌	【Ascend】

在线推理

特性	Mcore	Legacy	Released	贡献方
流式推理	✅	✅	✅	【NAIE】
Chat对话	✅	✅	✅	【NAIE】
yarn上下文扩展	✅	❌	❌	【Ascend】

开源数据集评测

特性	数据集	Mcore	Legacy	Released	贡献方
开源测评集评测	MMLU	✅	✅	❌	【NAIE】
	CEval	✅	✅	❌	【NAIE】
	BoolQ	✅	✅	❌	【NAIE】
	BBH	✅	✅	❌	【NAIE】
	AGIEval	✅	✅	❌	【NAIE】
	HumanEval	✅	✅	❌	【NAIE】

性能采集

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

版本维护策略

MindSpeed-LLM版本有以下五个维护阶段：

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-LLM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-LLM已发布版本维护策略：

MindSpeed-LLM版本	对应标签	维护策略	当前状态	发布时间	后续状态	EOL日期
1.0.0	\	常规版本	维护	2024/12/30	预计2025/06/30起无维护
1.0.RC3	v1.0.RC3.0	常规版本	维护	2024/09/30	预计2025/03/30起无维护
1.0.RC2	v1.0.RC2.0	常规版本	EOL	2024/06/30	生命周期终止	2024/12/30
1.0.RC1	v1.0.RC1.0	常规版本	EOL	2024/03/30	生命周期终止	2024/9/30
bk_origin_23	\	Demo	EOL	2023	生命周期终止	2024/6/30

致谢

MindSpeed-LLM由华为公司的下列部门以及昇腾生态合作伙伴联合贡献 ：

华为公司：

• 计算产品线：Ascend
• 公共开发部：NAIE
• 全球技术服务部：GTS
• 华为云计算：Cloud

生态合作伙伴：

• 移动云（China Mobile Cloud）：大云震泽智算平台

感谢来自社区的每一个PR，欢迎贡献 MindSpeed-LLM。

安全声明

MindSpeed-LLM安全声明

免责声明

致MindSpeed-LLM使用者

1. MindSpeed-LLM提供的模型仅供您用于非商业目的。
2. 对于各模型，MindSpeed-LLM平台仅提示性地向您建议可用于训练的数据集，华为不提供任何数据集，如您使用这些数据集进行训练，请您特别注意应遵守对应数据集的License，如您因使用数据集而产生侵权纠纷，华为不承担任何责任。
3. 如您在使用MindSpeed-LLM模型过程中，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。

致数据集所有者

如果您不希望您的数据集在MindSpeed-LLM中的模型被提及，或希望更新MindSpeed-LLM中的模型关于您的数据集的描述，请在Gitee提交issue，我们将根据您的issue要求删除或更新您的数据集描述。衷心感谢您对MindSpeed-LLM的理解和贡献。

License声明

Ascend MindSpeed-LLM提供的模型，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-LLM根目录。