近日，螞蟻集團AI創(chuàng)新研發(fā)部門NextEvo全面開源AI Infra技術，可幫助大模型千卡訓練有效時間占比超過95%，能實現(xiàn)訓練時“自動駕駛”，這推動了AI研發(fā)效率。
該技術框架名為DLRover，目標在于大規(guī)模分布式訓練的智能化。目前很多企業(yè)的訓練作業(yè)都是跑在混合部署的集群中，運行環(huán)境復雜多變，不管多么“崎嶇的地形”，DLRover都可以“輕松行駛”。
完成一個千億參數(shù)級別的大模型，如GPT-3，用一張卡訓練一次要耗時32年，那么訓練時的算力利用尤為重要。方法之一是把能用的算力用得更好，比如進一步壓榨已購買GPU的性能；二是把以前利用不了的算力用起來，比如CPU、內存等，這就需要通過異構計算平臺來解決。
據(jù)悉，最新集成進DLRover的是Flash Checkpoint（FCP）方案。模型訓練時，一般要打Checkpoint（檢查點），以便中斷時能恢復到最近狀態(tài)，目前常規(guī)的做法，存在著耗時長、高頻打點易降低訓練可用時間、低頻打點恢復時丟失過多等缺點。新方案FCP應用在千卡千億參數(shù)模型訓練后，Checkpoint 導致的訓練浪費時間降低約5倍，其中持久化時間降低約70倍，有效訓練時間從90%提升至95%。
