本站9月11日消息，摩爾線程正式發布并開源大模型分布式訓練仿真工具SimuMax v1.0，在顯存和性能仿真精度上實現了突破性提升，同時引入多項關鍵功能，進一步增強了模型兼容性、靈活性。
SimuMax是一款專為大語言模型（LLM）分布式訓練負載設計的仿真模擬工具，可為從單卡到萬卡集群提供仿真支持。
它無需實際執行完整訓練過程，即可高精度模擬訓練中的顯存使用和性能表現，幫助用戶提前了解訓練效率，優化計算效能。
基于靜態分析模型，摩爾線程自研的SimuMax通過結合成本模型、內存模型和屋頂模型，實現對訓練過程的精準仿真。
該工具支持多種主流分布式并行策略與優化技術，適用于以下多種應用場景：
1、并行策略：
數據并行（DP）、張量并行（TP）、序列并行（SP）、流水線并行（PP）、專家并行（EP）
2、優化技術：
ZeRO-1、完整重計算、選擇性重計算、融合內核等。
3、適用對象：
希望尋找最優訓練策略以提升效率的用戶；
從事框架或大模型算法開發的工程師，用于優化與調試；
芯片制造商，用于性能預測與硬件設計輔助。
SimuMax 1.0最顯著的更新在于其仿真精度的大幅提升，為用戶提供更可靠的分析結果。
針對Dense和MoE（混合專家）模型，顯存估計誤差穩定控制在1%以內。
經測試，在多個主流GPU上，目前最優性能估計誤差持續低于4%。
此外，SimuMax 1.0還引入了多項新特性，支持更廣泛的模型結構和高效率訓練需求：
MLA支持：
新增對MLA模型架構的支持；
流水線并行（PP）增強：
支持對首階段和末階段層的細粒度控制，優化模型分片策略；
MoE靈活性提升：
在混合專家（MoE）模型中支持自定義Dense層，為模型設計提供了更大的靈活性。
Megatron兼容：
提供簡化的模型遷移流程，可輕松轉換和分析基于Megatron框架的模型，提升與現有生態的互操作性。
重計算策略優化：
實現更細粒度的選擇性重計算，支持更精準的內存和計算資源權衡。
全面的效率分析：
新增對不同張量形狀與內存布局下計算效率與利用率的評估功能。
鄭重聲明：本文版權歸原作者所有，轉載文章僅為傳播更多信息之目的，如作者信息標記有誤，請第一時間聯系我們修改或刪除，多謝。
