昆侖萬維開源2000億稀疏大模型天工MoE，全球首創能用4090推理

2024年6月3日，昆侖萬維宣布開源2000億稀疏大模型Skywork-MoE，性能強勁，同時推理成本更低。Skywork-MoE基于之前昆侖萬維開源的Skywork-13B模型中間checkpoint擴展而來，是首個完整將MoE Upcycling技術應用并落地的開源千億MoE大模型，也是首個支持用單臺4090服務器推理的開源千億MoE大模型。

開源地址：

Skywork-MoE的模型權重、技術報告完全開源，免費商用，無需申請：

•模型權重下載：

https://huggingface.co/Skywork/Skywork-MoE-base

https://huggingface.co/Skywork/Skywork-MoE-Base-FP8

•模型開源倉庫：https://github.com/SkyworkAI/Skywork-MoE

•模型技術報告：https://github.com/SkyworkAI/Skywork-MoE/blob/main/skywork-moe-tech-report.pdf

•模型推理代碼：（支持8x4090服務器上8 bit量化加載推理）https://github.com/SkyworkAI/vllm

模型架構：

本次開源的Skywork-MoE模型隸屬于天工3.0的研發模型系列，是其中的中檔大小模型（Skywork-MoE-Medium），模型的總參數量為146B，激活參數量22B，共有16個Expert，每個Expert大小為13B，每次激活其中的2個Expert。

天工3.0還訓練了75B（Skywork-MoE-Small）和400B（Skywork-MoE-Large）兩檔MoE模型，并不在此次開源之列。

模型能力：

基于目前各大主流模型評測榜單評測了Skywork-MoE，在相同的激活參數量20B（推理計算量）下，Skywork-MoE能力在行業前列，接近70B的Dense模型。使得模型的推理成本有近3倍的下降。同時Skywork-MoE的總參數大小比DeepSeekV2的總參數大小要小1/3，用更小的參數規模做到了相近的能力。

技術創新：

為了解決MoE模型訓練困難，泛化性能差的問題，相較于Mixtral-MoE，Skywork-MoE設計了兩種訓練優化算法：

1.Gating Logits歸一化操作

昆侖萬維在Gating Layer的token分發邏輯處新增了一個normalization操作，使得Gating Layer的參數學習更加趨向于被選中的top-2 experts，增加MoE模型對于top-2的置信度：

2.自適應的Aux Loss

有別于傳統的固定系數（固定超參）的aux loss，在MoE訓練的不同階段讓模型自適應地選擇合適的aux loss超參系數，從而讓Drop Token Rate保持在合適的區間內，既能做到expert分發的平衡，又能讓expert學習具備差異化，從而提升模型整體的性能和泛化水平。在MoE訓練的前期，由于參數學習不到位，導致Drop Token Rate太高（token分布差異太大），此時需要較大的aux loss幫助token load balance；在MoE訓練的后期，昆侖萬維希望Expert之間仍保證一定的區分度，避免Gating傾向為隨機分發Token，因此需要較低的aux loss降低糾偏。

訓練Infra

如何對MoE模型高效地進行大規模分布式訓練是一個有難度的挑戰，目前社區還沒有一個最佳實踐。Skywork-MoE提出了兩個重要的并行優化設計，從而在千卡集群上實現了MFU 38%的訓練吞吐，其中MFU以22B的激活參數計算理論計算量。

1.Expert Data Parallel

區別于Megatron-LM社區已有的EP（Expert Parallel）和ETP（Expert Tensor Parallel）設計，昆侖萬維提出了一種稱之為Expert Data Parallel的并行設計方案，這種并行方案可以在Expert數量較小時仍能高效地切分模型，對Expert引入的all2all通信也可以最大程度地優化和掩蓋。相較于EP對GPU數量的限制和ETP在千卡集群上的低效，EDP可以較好地解決大規模分布式訓練MoE的并行痛點，同時EDP的設計簡單、魯棒、易擴展，可以較快地實現和驗證。

一個最簡單的EDP的例子，兩卡情況下TP=2，EP=2，其中Attention部分采用Tensor Parallel，Expert部分采用Expert Parallel

2.非均勻切分流水并行

由于first stage的Embedding計算和last stage的Loss計算，以及Pipeline Buffer的存在，流水并行下均勻切分Layer時的各stage計算負載和顯存負載均有較明顯的不均衡情況。昆侖萬維提出了非均勻的流水并行切分和重計算Layer分配方式，使得總體的計算/顯存負載更均衡，約有10%的端到端訓練吞吐提升。

比較均勻切分和非均勻切分下的流水并行氣泡：對于一個24層Layer的LLM，(a)是均勻切分成4個stage，每個stage的layer數量是：[6,6,6,6].(b)是經過優化后的非均勻切分方式，切成5個stage，每個stage的layer數量是：[5,5,5,5,4]，在中間流水打滿的階段，非均勻切分的氣泡更低。

MoE Know-how

此外，Skywork-MoE還通過一系列基于Scaling Laws的實驗，探究哪些約束會影響Upcycling和From Scratch訓練MoE模型的好壞。

一個可以遵循的經驗規則是：如果訓練MoE模型的FLOPs是訓練Dense模型的2倍以上，那么選擇from Scratch訓練MoE會更好，否則的話，選擇Upcycling訓練MoE可以明顯減少訓練成本。

4090推理

Skywork-MoE是目前能在8x4090服務器上推理的最大的開源MoE模型。8x4090服務器一共有192GB的GPU顯存，在FP8量化下（weight占用146GB），使用昆侖萬維首創的非均勻Tensor Parallel并行推理方式，Skywork-MoE可以在合適的batch size內達到2200 tokens/s的吞吐。天工團隊完整開源了相關的推理框架代碼和安裝環境，詳情參見：https://github.com/SkyworkAI/Skywork-MoE

結語

希望本次開源的Skywork-MoE模型、技術報告和相關的實驗結果可以給開源社區貢獻更多的MoE訓練經驗和Know-how，包括模型結構、超參選擇、訓練技巧、訓練推理加速等各方面，探索用更低的訓練推理成本訓更大更強的模型，在通往AGI的道路上貢獻一點力量。