摩尔线程发布大模型训练仿真工具SimuMax v1.0：仿真精度显著提升，显存误差仅1%

近日，摩尔线程正式发布并开源大模型分布式训练仿真工具SimuMax 1.0版本。该版本在显存和性能仿真精度上实现突破性提升，同时引入多项关键功能，进一步增强了模型兼容性、灵活性与用户体验。

SimuMax是一款专为大语言模型（LLM）分布式训练负载设计的仿真模拟工具，可为单卡到万卡集群提供仿真支持。它无需实际执行完整训练过程，即可高精度模拟训练中的显存使用和性能表现，帮助用户深入洞察训练效率，探索提升计算效能的优化途径。

基于静态分析模型，摩尔线程自研的SimuMax通过结合成本模型、内存模型和屋顶模型，实现对训练过程的精准仿真。该工具支持多种主流分布式并行策略与优化技术，适用于以下多种应用场景：

▼ 并行策略：数据并行（DP）、张量并行（TP）、序列并行（SP）、流水线并行（PP）、专家并行（EP）；

▼ 优化技术：ZeRO-1、完整重计算、选择性重计算、融合内核等；

▼ 适用对象：希望寻找最优训练策略以提升效率的用户；从事框架或大模型算法开发的工程师，用于优化与调试；芯片制造商，用于性能预测与硬件设计辅助。

核心突破：

仿真精度实现显著提升

SimuMax 1.0最显著的更新在于其仿真精度的大幅提升，为用户提供更可靠的分析结果。

▼ 显存估计：针对Dense和MoE（混合专家）模型，显存估计误差稳定控制在1%以内；

▼ 性能估计：经测试，在多个主流GPU上，目前最优性能估计误差持续低于4%；

新功能与增强：

扩展模型兼容与精细化控制

SimuMax 1.0引入了多项新特性，支持更广泛的模型结构和高效率训练需求：

▼ MLA支持：新增对MLA模型架构的支持；

▼ 流水线并行（PP）增强：支持对首阶段和末阶段层的细粒度控制，优化模型分片策略；

▼ MoE灵活性提升：在混合专家（MoE）模型中支持自定义Dense层，为模型设计提供了更大的灵活性。

▼ Megatron兼容：提供简化的模型迁移流程，可轻松转换和分析基于Megatron框架的模型，提升与现有生态的互操作性。

▼ 重计算策略优化：实现更细粒度的选择性重计算，支持更精准的内存和计算资源权衡。

▼ 全面的效率分析：新增对不同张量形状与内存布局下计算效率与利用率的评估功能。

快速开始

开发者可通过以下步骤，快速体验SimuMax：

1. 克隆仓库：

git clone git@github.com:MooreThreads/SimuMax.git
cd SimuMax

2. 安装Python包：

pip install -r requirements.txt
pip install -v -e .

3. 运行示例：

参考项目中的教程和示例（如examples/perf_llama3_8b_tp1_pp2.py），即可开始使用SimuMax进行训练仿真。

持续优化与生态共建

SimuMax已在GitHub全面开源，开发者可访问仓库获取源代码、详细文档和示例。摩尔线程鼓励开发者通过提交Issue报告问题或通过Pull Request贡献代码，共同促进SimuMax功能的完善和软件生态的繁荣。

▼ SimuMax 开源地址：

摩尔线程始终致力于为开发者提供强大的软件工具链。SimuMax的发布，将为大模型分布式训练的仿真和优化提供精准视角，助力AI产业提升算力利用效率，探索更高效的训练范式。

未来，摩尔线程SimuMax团队将继续积极开发，计划增加对上下文并行、更多流水线调度器、通算并行、Offload技术、策略搜索以及更精准的memory- bound算子模拟等功能的支持。