在DeepSeek開源周的精彩延續(xù)中，摩爾線程于近日宣布了一項重大進展——成功集成并開源了針對DeepSeek通信庫DeepEP與并行算法DualPipe的支持。這一成果標志著摩爾線程在推動大模型訓(xùn)練與推理效率方面邁出了堅實的一步，相關(guān)開源代碼倉庫MT-DeepEP與MT-DualPipe也隨之亮相。

DeepEP，這一專為混合專家（MoE）模型設(shè)計的開源通信庫，通過優(yōu)化通信信道的使用，顯著提升了大模型訓(xùn)練的效率，特別是在集群訓(xùn)練中展現(xiàn)出卓越性能。摩爾線程憑借MUSA Compute Capability 3.1全功能GPU的強大實力，成功適配了DeepEP，并引入了一系列創(chuàng)新特性，包括高效優(yōu)化的All-to-All通信機制、MTLink + GPU節(jié)點內(nèi)通信支持、高吞吐量與低延遲計算核心的靈活切換、原生FP8數(shù)據(jù)分發(fā)能力，以及GPU資源的靈活調(diào)度，實現(xiàn)了計算與通信的高效協(xié)同。

另一方面，DualPipe作為DeepSeek-V3的核心算法，通過實現(xiàn)前向與后向計算階段計算與通信的完全重疊，有效減少了“流水線氣泡”，即設(shè)備空閑等待時間，從而進一步提升了訓(xùn)練效率。摩爾線程依托其深度學習框架Torch-MUSA（已開源）及MUSA軟件棧的全面兼容性，成功實現(xiàn)了對DualPipe算法的支持。目前，MT-DualPipe已無縫接入摩爾線程的MT-Megatron與MT-TransformerEngine框架（后者即將開源），能夠完整復(fù)現(xiàn)DeepSeek V3的訓(xùn)練流程。

值得注意的是，MT-DualPipe與MT-Megatron的結(jié)合，不僅實現(xiàn)了DeepSeek V3模型中MLP-FFN與DW-DG的分離，進一步降低了氣泡占比，還優(yōu)化了通信效率。同時，MT-DualPipe與MT-TransformerEngine及MT-DeepEP的協(xié)同工作，借助MT-DeepEP的異步通信引擎，實現(xiàn)了更高效的通信掩蓋，有效降低了對計算資源的損耗。這一系列創(chuàng)新技術(shù)的融合，無疑為摩爾線程在大模型訓(xùn)練與推理領(lǐng)域的發(fā)展注入了強勁動力。

對于有志于探索大模型訓(xùn)練與推理技術(shù)的開發(fā)者而言，摩爾線程的開源成果無疑提供了一套強大的工具集。Torch-MUSA開源地址的公布，更是為開發(fā)者們打開了一扇通往高效深度學習實踐的大門。