華為首度發表昇騰晶片訓練兩大模型 業內分析：提供一顆「定心丸」

華為在MoE模型訓練領域再進一步，推出參數規模高達7,180億的全新模型—盤古Ultra MoE，這是一個全流程在昇騰AI計算平台上訓練的準萬億MoE模型（意指參數規模近1兆）。華為同時發布盤古Ultra MoE模型架構和訓練方法的技術報告，披露眾多技術細節，充分體現華為AI晶片昇騰在超大規模MoE訓練性能上的跨越。

券商中國報導，業內人士分析，華為盤古Ultra MoE和盤古Pro MoE系列模型的發布，證明華為不僅完成了國產算力+國產模型的全流程自主可控的訓練實踐，同時在集群訓練系統的性能上也實現了業界領先。這意味著國產AI基礎設施的自主創新能力得到了進一步驗證，為中國人工智慧產業的發展提供了一顆「定心丸」。

據悉，訓練超大規模和極高稀疏性的MoE模型極具挑戰，訓練過程中的穩定性往往難以保障。針對這一難題，華為盤古團隊在模型架構和訓練方法上進行了創新性設計，成功地在昇騰平台上實現準萬億MoE模型的全流程訓練。

在模型架構上，盤古團隊提出Depth-Scaled Sandwich-Norm（DSSN）穩定架構和TinyInit小初始化的方法，在昇騰平台上實現了超過18TB資料的長期穩定訓練。此外，他們還提出了EP loss負載優化方法，這一設計不僅保證了各個專家之間的能保持較好的負載均衡，也提升了專家的領域特化能力。同時，盤古Ultra MoE使用了業界先進的MLA和MTP架構，在預訓練和後訓練階段都使用了Dropless訓練策略，實現了超大規模MoE架構在模型效果與效率之間的最佳平衡。

在訓練方法上，華為團隊首次披露在昇騰CloudMatrix 384超節點上，高效打通大稀疏比MoE強化學習（RL）後訓練框架的關鍵技術，使RL後訓練進入超節點集群時代。同時，在5月初發佈的預訓練系統加速技術基礎上，在不到一個月的時間內，華為團隊又完成了一輪迭代升級，包括：適配昇騰硬體的自適應流水掩蓋策略，進一步優化運算元執行程式，進一步降低Host-Bound以及提升EP通信的掩蓋；自適應管理記憶體優化策略的開發；資料重排實現DP間Attention負載均衡；以及昇騰親和的運算元優化，這些技術實現萬卡集群預訓練MFU由30%大幅提升至 41%。

此外，近期發佈的盤古Pro MoE大模型，在參數量僅為720億、啟動160億參數量的情況下，通過動態啟動專家網路的創新設計，實現了以小打大的優異性能，甚至可以媲美千億級模型的性能表現。在業界權威大模型榜單SuperCLUE最新公佈的2025年5月排行榜上，位居千億參數量以內大模型排行並列國內第一。

業內人士分析，華為此舉的核心意義在於，證明了在國產AI算力平台（昇騰）上，能夠高效、穩定地訓練並優化達到國際頂尖水平的超大規模稀疏模型（MoE），實現了從硬體到軟體、從訓練到優化、從基礎研究到工程落地的「全棧國產化」和「全流程自主可控」的閉環，並在關鍵性能指標上達到業界領先水平。