9月12日，淘天集团联合爱橙科技正式对外开源大模型训练框架——Megatron-LLaMA，旨在让技术开发者们能够更方便地提升大语言模型训练性能，降低训练成本，并保持和LLaMA社区的兼容性。测试显示，在32卡训练上，相比HuggingFace上直接获得的代码版本，Megatron-LLaMA能够取得176%的加速；在大规模的训练上，Megatron-LLaMA相比较32卡拥有几乎线性的扩展性，且对网络不稳定表现出高容忍度。

目前Megatron-LLaMA已在开源社区上线。

开源地址：https://github.com/alibaba/Megatron-LLaMA

一、前言

大语言模型的卓越表现一次又一次地超出了人们的想象。

过去几个月，LLaMA及LLaMA2向开源社区的全面放开，使想训练一个自己的大语言模型的人们多了一种很好的选择。在开源社区中，已有非常多的基于LLaMA产出的模型，包括进行续训/SFT（如Alpaca、Vicuna、WizardLM、Platypus、StableBegula、Orca、OpenBuddy、Linly、Ziya等）和从零开始训练（Baichuan、QWen、InternLM、OpenLLaMA）的工作。

这些工作不仅在目前各种大模型能力客观评测榜单上表现卓越，同时展现了在长文本理解、长文本生成、代码编写、数学求解等实用场景的优秀性能。更进一步，业界出现了很多有意思的产品，例如LLaMA结合Whisper的语音聊天机器人、LLaMA结合Stable Diffusion的绘画软件、医学/法律领域的辅助咨询机器人等。

尽管从HuggingFace上可以拿到LLaMA的模型代码，但用自己的数据训一个LLaMA模型对个人用户或中小型组织并不是一件低成本且简单的工作。大模型的体积和数据的规模，使得在普通的计算资源上无法完成有效的训练，算力和成本成为严重的瓶颈。Megatron-LM社区的用户在这方面的诉求非常急迫。

淘天集团和爱橙科技在大模型应用上有着广阔的场景，并在大模型高效训练上进行了大量投入。LLaMA的问世，在数据处理、模型设计、微调及强化学习反馈调整方面给予了业界非常多的启示，并帮助许多业务取得了新突破。因此，为了回馈整个LLaMA开源社区，促进中文预训练大模型开源社区的发展，让开发者们能够更方便地提升大语言模型的训练性能，降低训练成本，淘天集团联合爱橙科技将部分内部优化技术开源，发布了Megatron-LLaMA，期望与每一位合作者、爱好者共建Megatron及LLaMA生态。

Megatron-LLaMA提供了一套标准的Megatron-LM实现的LLaMA，并提供了与HuggingFace格式自由切换的工具，方便与社区生态工具兼容。Megatron-LLaMA重新设计了Megatron-LM的反向流程，使得无论在节点数较少需要开较大梯度聚合（Gradient Accumulation, GA）、或是节点数较多必须使用小GA的场景，都能够取得卓越的训练性能。测试显示：

在32卡训练上，相比HuggingFace上直接获得的代码版本，Megatron-LLaMA能够取得176%的加速；即便是采用DeepSpeed及FlashAttention优化过的版本，Megatron-LLaMA仍然能减少至少19%的训练时间。
在大规模的训练上，Megatron-LLaMA相比较32卡拥有着几乎线性的扩展性。例如使用512张A100复现LLaMA-13B的训练，Megatron-LLaMA的反向机制相对于原生Megatron-LM的DistributedOptimizer能够节约至少两天的时间，且没有任何精度损失。
Megatron-LLaMA对网络不稳定表现出高容忍度。即便是在现在性价比较高的4x200Gbps通信带宽的8xA100-80GB训练集群（这种环境通常是混部环境，网络只能使用一半的带宽，网络带宽是严重的瓶颈，但租用价格相对低廉）上，Megatron-LLaMA仍然能取得0.85的线性扩展能力，然而在这个指标上Megatron-LM仅能达到不足0.7。

二、Megatron-LM技术带来的高性能LLaMA训练机会

LLaMA是目前大语言模型开源社区中一项重要工作。LLaMA在LLM的结构中引入了BPE字符编码、RoPE位置编码、SwiGLU激活函数、RMSNorm正则化以及Untied Embedding等优化技术，在许多客观和主观评测中取得了卓越的效果。LLaMA提供了7B、13B、30B、65B/70B的版本，适用于各类大模型需求的场景，也受到广大开发者的青睐。同诸多开源大模型一样，官方只提供了推理版的代码，如何以最低成本开展高效训练，并没有一个标准的范式。

Megatron-LM是一种优雅的高性能训练解决方案。Megatron-LM中提供了张量并行（Tensor Parallel，TP，把大乘法分配到多张卡并行计算）、流水线并行（Pipeline Parallel，PP，把模型不同层分配到不同卡处理）、序列并行（Sequence Parallel， SP，序列的不同部分由不同卡处理，节约显存）、DistributedOptimizer优化（类似DeepSpeed Zero Stage-2，切分梯度和优化器参数至所有计算节点）等技术，能够显著减少显存占用并提升GPU利用率。Megatron-LM运营着一个活跃的开源社区，持续有新的优化技术、功能设计合并进框架中。

然而，基于Megatron-LM进行开发并不简单，在多卡机上调试及功能性验证更是十分昂贵的。淘天集团和爱橙科技推出的Megatron-LLaMA，首先提供了一套基于Megatron-LM框架实现的LLaMA训练代码，支持各种规模的模型版本，并且可以很简单地适配LLaMA的各类变种，包括对HuggingFace格式的Tokenizer的直接支持。因此，Megatron-LLaMA可以很便捷地应用在已有的离线训练链路中，无需进行过多的适配。在中小规模训练/微调LLaMA-7b和LLaMA-13b的场景，Megatron-LLaMA能够轻松达到业界领先的54%及以上的硬件利用率（MFU）。

三、Megatron-LLaMA的反向流程优化

3.1 DeepSpeed ZeRO Stage-2

DeepSpeed ZeRO是微软推出的一套分布式训练框架，有着非常深远的技术影响。DeepSpeed ZeRO Stage-2（后文简称ZeRO-2）是其中一项重要技术，能够节约显存占用，且不增加额外计算量和通信量。

如上图所示，由于计算需要，每个Rank都需要拥有全部的参数。但对于优化器状态而言，每个Rank只需负责其中一部分即可，不必所有Rank同时执行完全重复的操作。于是ZeRO-2提出将优化器状态均匀地切分在每个Rank上（注意，这里并不需要保证每个变量被均分或完整保留在某个Rank上），每个Rank在训练进程中只负责对应部分的优化器状态和模型参数的更新。在这种设定下，梯度也可以按此方式进行切分。

默认情况下，ZeRO-2在反向时在所有Rank间使用Reduce方式聚合梯度，而后每个Rank只需要保留自身所负责参数的部分，既消除了冗余的重复计算，又降低了显存占用。

3.2 Megatron-LM DistributedOptimizer

原生Megatron-LM通过DistributedOptimizer实现了类似ZeRO-2的梯度和优化器状态切分，以减少训练中的显存占用。

如上图所示，DistributedOptimizer在每次获得预设的梯度聚合过的所有梯度后，通过ReduceScatter算子，将之前累积的全部梯度分发到不同的Rank。每个Rank只获得自己需要处理的部分梯度，而后进行优化器状态的更新和对应参数的更新。最后各个Rank通过AllGather的方式从其他节点上获取更新过的参数，最终取得全部的参数。

实际训练的结果显示，Megatron-LM的梯度和参数通信与其他计算串行进行，对于大规模预训练任务，为了保证总批数据大小不变，通常无法开启较大的GA。于是通信占比会伴随机器增加上升，这时候串行通信的特点导致扩展性很弱。在社区内，这方面的需求也很迫切。

3.3 Megatron-LLaMA OverlappedDistributedOptimizer

为了解决上述问题，Megatron-LLaMA改进了原生Megatron-LM的DistributedOptimizer，使其梯度通信的算子能够可以和计算相并行。特别的，相比于ZeRO的实现，Megatron-LLaMA在并行的前提下，通过巧妙的优化优化器分区策略，使用了更具有具有扩展性的集合通信方式来提升扩展性。

OverlappedDistributedOptimizer的主要设计保证了如下几点：

单一集合通信算子数据量足够大，充分利用通信带宽；
新切分方式所需通信数据量应等于数据并行所需的最小通信数据量；
完整参数或梯度与切分后的参数或梯度的转化过程中，不能引入过多显存拷贝。

具体而言，Megatron-LLaMA改进了DistributedOptimizer的机制，提出了OverlappedDistributedOptimizer，用于结合新的切分方式优化训练中的反向流程。如上图所示，在OverlappedDistributedOptimizer初始化时，会预先给所有参数分配其所属的Bucket。Bucket中的参数是完整的，一个参数仅属于一个Bucket，一个Bucket中可能有多个参数。

逻辑上，每个Bucket将会被连续等分成P（P为数据并行组的数量）等份，数据并行组中的每个Rank负责其中的一份。Bucket被放置在一个本地队列（Local grad bucket queue）中，从而保证通信顺序。在训练计算的同时，数据并行组间以Bucket为单位，通过集合通讯交换各自需要的梯度。Megatron-LLaMA中Bucket的实现尽可能采用了地址索引，只在有需要值更改时才新分配空间，避免了显存浪费。

上述的设计，再结合大量的工程优化，使得在大规模训练时，Megatron-LLaMA可以充分使用硬件，实现了比原生Megatron-LM更好的加速。从32张A100卡扩展到512张A100卡的训练，Megatron-LLaMA在常用混部的网络环境中仍然能够取得0.85的扩展比。