6月3日,昆仑万维宣布开源2千亿稀疏大模型Skywork-MoE,性能强劲,同时推理成本更低。Skywork-MoE基于之前昆仑万维开源的Skywork-13B模型中间checkpoint扩展而来,是首个完整将MoE Upcycling技术应用并落地的开源千亿MoE大模型,也是首个支持用单台4090服务器推理的开源千亿MoE大模型。
昆仑万维基于目前各大主流模型评测榜单评测了Skywork-MoE,在相同的激活参数量20B(推理计算量)下,Skywork-MoE能力在行业前列,接近70B的Dense模型,使得模型的推理成本有近3倍的下降。同时Skywork-MoE的总参数大小比DeepSeekV2的总参数大小要小1/3,用更小的参数规模做到了相近的能力。
有别于传统的固定系数(固定超参)的aux loss,昆仑万维在MoE训练的不同阶段让模型自适应的选择合适的aux loss超参系数,从而让Drop Token Rate保持在合适的区间内,既能做到expert分发的平衡,又能让expert学习具备差异化,从而提升模型整体的性能和泛化水平。在MoE训练的前期,由于参数学习不到位,导致Drop Token Rate太高(token分布差异太大),此时需要较大的aux loss帮助token load balance;在MoE训练的后期,昆仑万维希望Expert之间仍保证一定的区分度,避免 Gating倾向为随机分发Token,因此需要较低的aux loss降低纠偏。
区别于Megatron-LM社区已有的EP(Expert Parallel)和ETP(Expert Tensor Parallel)设计,昆仑万维提出了一种称之为Expert Data Parallel的并行设计方案,这种并行方案可以在Expert数量较小时仍能高效的切分模型,对Expert引入的 all2all通信也可以最大程度的优化和掩盖。相较于EP对GPU数量的限制和ETP在千卡集群上的低效, EDP可以较好的解决大规模分布式训练MoE的并行痛点,同时EDP的设计简单、鲁棒、易扩展,可以较快的实现和验证。
由于first stage的Embedding计算和last stage的Loss计算,以及Pipeline Buffer的存在,流水并行下均匀切分Layer时的各stage计算负载和显存负载均有较明显的不均衡情况。昆仑万维提出了非均匀的流水并行切分和重计算Layer分配方式,使得总体的计算/显存负载更均衡55BETKR,约有10%左右的端到端训练吞吐提升。
Skywork-MoE是目前能在8x4090服务器上推理的最大的开源MoE模型。8x4090服务器一共有192GB的GPU显存,在FP8量化下(weight占用146GB),使用昆仑万维首创的非均匀Tensor Parallel并行推理方式,Skywork-MoE可以在合适的batch size 内达到2200 tokens/s的吞吐。
网友评论更多
612淳于珊羽r
青海一在建隧道塌方 救援正在紧张进行🗺📛
2024/06/06 推荐
187****1824 回复 184****5345:海信聚好看为武汉用户免费开通影视VIP♌来自贵港
187****4403 回复 184****7331:美国否决关于巴勒斯坦申请成为联合国正式会员国的决议草案🏄来自潞西
157****404:按最下面的历史版本⚆⛄来自凯里
3813费阳磊302
履职尽责画好奋进同心圆(人民时评)🤤🍜
2024/06/05 推荐
永久VIP:去云南旅游每人补贴3169元?♡来自吴江
158****3901:以科技创新促进产业体系的完整性先进性安全性✟来自内江
158****4958 回复 666📭:向特斯拉借鉴 理想汽车这波操作神了!🍵来自资阳
660师亚天kb
崔天凯:关键是要解决好认知问题🚮📆
2024/06/04 不推荐
苗昭娟pw:EMA支持免疫力较弱人群加强接种 匈牙利第四波疫情进入高峰|大流行手记(10月4日)🎹
186****8893 回复 159****1010:中英客运航班继续取消 英国确诊病例加速增长✑