独家｜对话蚂蚁 Ling 团队：聊聊用国产卡降本这回事儿

333 0 0

文章摘要

蚂蚁团队近期开源了两个MoE模型——Ling-Lite和Ling-Plus，并发布了技术论文《Every Flop Counts》。Ling-Lite拥有168亿参数，激活了27.5亿参数；Ling-Plus则拥有2900亿参数，激活了288亿参数。蚂蚁团队的研究重点在于通过优化模型架构和训练过程，降低预训练成本，尤其是在使用国产硬件的情况下，成本比使用NV硬件低20%。然而，外媒报道中关于Ling-Plus预训练成本的误读引发了争议，蚂蚁团队随后澄清，其成本优化是基于训练1T token的前提，与DeepSeek V3的14.8T token训练量并不直接可比。

蚂蚁团队在技术解读中强调，Ling-Plus的成本优化主要反映了AI基础设施的工程能力，尤其是在国产硬件上的持续运作和容错机制。团队通过优化组织和加入容错机制，实现了更低的工程成本。此外，团队还分享了在国产加速卡上训练300B MoE模型的挑战和解决方案，包括跨平台训练的一整套解决方案和MoE的scaling law分析。这些经验对其他团队在国产硬件上的训练具有借鉴意义。

在成本比较方面，蚂蚁团队指出，DeepSeek V3在Hopper架构GPU上的优化非常极致，整体训练成本比Ling更低。然而，Ling的优化重点在于非Hopper架构GPU上的训练，确保正确性的同时降低成本。团队还提到，技术报告中的成本仅为参考价格和单次训练，前期的技术预研投入并未包含在内。

关于国产硬件与NV硬件的性能差距，蚂蚁团队表示，虽然国产算力在TFLOPS上不如NVIDIA最高端芯片，但通过软件优化和训练监测框架等技术努力，最终实现了loss的接近对齐。团队在算子、框架对齐等方面付出了大量努力，确保了训练的稳定性。此外，团队还尝试了不同厂家的加速卡，体验到了国产加速卡的进步。

在未来的规划中，蚂蚁团队将继续在基座模型、推理模型和多模态大模型上投入，并计划开源基于Ling-Lite蒸馏训练的长推理模型。团队还表示，更大尺寸的模型在国产卡上也是可以训练的，未来将分享更高效的模型架构和更低成本的训练方法。这些成果的开放和经验的积累，将对国产硬件生态的成熟起到重要推动作用。