RL后训练步入超节点时代！华为黑科技榨干算力，一张卡干俩活
RL后训练已成为大模型性能突破的「杀手锏」，而算力浪费和集群效率低成为一大难题。这次，华为团队祭出两大黑科技直接破局。不仅在CloudMatrix384超节点实现MoE大模型训推共卡，资源利用率翻倍，还打破了同步算法限制，让训练速度再提升50%。 在大模型竞赛白热化的当下，「强化学习后训练」已成为突破LLM性能天花板的核心路径。 爆火出圈的OpenAIo1、DeepSeek-R1等模型，背后都是依靠RL后训练点石成金。 相较于预训练阶段的「广撒网」式知识获取，RL后训练通过驱动模型与外部环境进行动态交互，直接塑造了LLM在复杂任务中的推理效能。 当前， 在传统RL后训练中，训练和推理得排队干活，也就说大量算力都在「摸鱼」。 对此，华为团队拿出 ·RLFusion：让一张卡同时兼顾训练和推理两件事，资源利用率和吞吐翻倍。 ·StaleSync：打破了同步限制，让集群扩展效率超90%，训练吞吐再提50%。 CloudMatrix超节点，就像大模型的「超级加速器」，让百亿、甚至千亿级模型训练更快更省。 至此，大模型强化学习训练正式迈入超节点时代！ 如今，强化学习，已成为激活大模型推理思考能力的关键buff。 不论是语言模型的对话优化，还是多模态模型的复杂任务适配，RL后训练都在提升模型精度、泛化性、用户体验方面，发挥着不可替代的作用。 然而，这种性能提升的代价是巨大的算力需求。 尤其是在现有主流On-Policy算法下，训练与推理的严格交替导致了资源利用率低下。 总的来说，RL后训练作为大模型训练最后冲刺阶段，面临着两大不容忽视的挑战。 在大模型后训练过程中，Actor模型的训练与推理（生成）过程构成主要负载。 在传统「训推分离」架构下，主流的On-Policy策略要求训练和推理任务交替执行，互相等待，导致大量计算资源处于闲置状态。 这种「轮流休息」的模式，在小规模集群场景下已然造成显著浪费，若在千卡/万卡集群中更是放大为「算力黑洞」，推高了LLM后训练成本。 因此，训推共卡技术，成为提升集群资源利用率的核心突破口。 另一方面，随着MoE模型普及，专家并行（EP）、张量并行（TP）、数据并行（DP）等多模型异构并行策略组合，使得任务调度复杂度呈指数级增长。 而现有框架在大规模集群中，难以让其实现高效协同，进而导致了扩展效率显著下降。 如何通过软硬协同打破资源瓶颈，释放潜在的红利，成为华为团队聚焦突破的关键方向。 针对RL后训练资源利用率低的问题，华为团队深入剖析异构模型和多任务场景的负载特点，提出了创新性的 简单来说，就是让一张卡既做训练又做推理，效率直接翻倍。 RLFusion支持 它还支持张量并行（TP）、数据并行（DP）、流水线并行（PP）等多维并行策略的动态无缝切换，实现计算资源「一箭双雕」，即在同一计算资源上执行Actor模型生成和训练2个任务。 图1：训推分离、训推共卡、全共卡部署计算资源利用情况示意图 值得一提的是，在小规模场景下，RLFusion还能把Reference及Reward模型的资源「榨干」，进一步实现「一箭四雕」，效率直接拉满。 此外，针对大规模高稀疏比MoE模型，华为通过对训推态内存进行极致分析，首次提出了 图2：MoE大模型训推EP动态变化示意图 在训练态及推理态切换过程中，通过「分桶」管理参数，可消除由于EP变化造成的冗余内存。 同时，推理时把训练的优化器及梯度，完全卸载到主机侧，尽可能将NPU内存留给推理态，保证长序列下推理阶段吞吐（如图3所示）。 图3：MoE大模型训推内存0冗余切换技术示意图 不仅如此，通过对训推共卡中权重通信、内存加卸载进行系统性优化后，训推切换过程优化到秒级，快如闪电。 由此，RLFusion能让强化学习后训练集群利用率倍增，成本省一大截。 针对 StaleSync机制能容忍梯度「陈旧性」，让不同RL阶段的任务在「陈旧度阈值」内并行执行。 图4：StaleSync准异步并行技术示意图 这一创新得益于对RL计算任务的细致分析。 在RL训练中，研究团队发现，不同计算任务的算力需求各异。 基于这一特点，新的后训练系统结合了共置和分离架构的优势，平衡了各个RL计算任务的资源需求，从而提高了整体硬件资源的利用率。 图5：共置/分离架构下同策训练方案示意图和缺点 此外，在ActorRollout过程中，长尾样本的存在导致了效率的降低。 为了解决此问题，新系统引入了准异步调度机制： 当生成结束的样本达到一定阈值时，数据立刻流向下一阶段的计算任务，允许未完成的推理样本的训练存在一定滞后性，从而提高了整体后训练吞吐。 为了满足StaleSync的数据调度与管理要求，研究团队专门设计了分布式数据队列DistQueue。 DistQueue实现了不同计算任务之间数据的拆分、缓存与动态读取。 为了提高通信效率，DistQueue采取了 以Pangu718B-MoE训练并行策略为例（TP8，EP4，PP16），引入分层数据传输可将DistQueue的 图6：分层数据传输技术示意图 在后训练中，传统的样本Padding补齐方案存在大量冗余通信，降低了通信效率。 对此，研究者引入零冗余通信技术，如图7所示： 首先将各个样本在序列维度进行拼接； 在各个进程收到数据后，再根据原始序列长度进行恢复。 这避免了Padding带来的额外通信，大大提升了通信效率。 在盘古长序列训练集实测，研究团队发现上述优化 图7：DistQueue零冗余数据传输 RLFusion与StaleSync的协同优化，形成了「资源复用+任务并行」的双重保障体系，显著提升了效率。 在RL后训练中，下表1展示了不同加速配置方案对整体性能提升情况。 RLFusion训推共卡，能够消除RL后训练中模型级空泡，提高资源利用率，单个超节点吞吐提升了78.5%。 再结合StaleSync准异步技术，可以实现35ktoken/s吞吐效率，整体可提升1.5倍性能。 表2展示了StaleSync对集群扩展性的提升。 当集群规模从1个超节点扩展至4个超节点时，StaleSync的吞吐从35ktokens/s提升至127ktokens/s，扩展线性度达91%；而全同步方案在同等规模下吞吐仅从25ktokens/s增至85ktokens/s，线性度约为85%。 在AI风起云涌的当下，RL后训练正成为大模型突围的关键，而效率是决胜的王牌。 昇腾超节点以RLFusion和StaleSync两大杀招，攻克算力浪费和集群扩展的瓶颈，带来了高效、高扩展、高通用性的集群调度与融合方案。 一张卡干俩活、流水线永不停，单节点速度狂飙2.5倍，集群扩展效率突破90%。 它如同一台「加速引擎」，正为百亿、千亿级大模型的后训练注入强劲动力，点燃下一代AI效率革命的火花。