RL后训练步入超节点时代！华为黑科技榨干算力，一张卡干俩活

RL后训练已成为大模型性能突破的「杀手锏」，而算力浪费和集群效率低成为一大难题。这次，华为团队祭出两大黑科技直接破局。不仅在CloudMatrix 384超节点实现MoE大模型训推共卡，资源利用率翻倍，还打破了同步算法限制，让训练速度再提升50%。

作者丨李希

在大模型竞赛白热化的当下，「强化学习后训练」已成为突破LLM性能天花板的核心路径。

爆火出圈的OpenAI o1、DeepSeek-R1等模型，背后都是依靠RL后训练点石成金。

相较于预训练阶段的「广撒网」式知识获取，RL 后训练通过驱动模型与外部环境进行动态交互，直接塑造了 LLM 在复杂任务中的推理效能。

当前，RL后训练阶段已经吃掉了训练全流程20%的算力，未来会飙升到50%，直接影响模型的性能和成本。

在传统RL后训练中，训练和推理得排队干活，也就说大量算力都在「摸鱼」。

对此，华为团队拿出「RL Fusion训推共卡」和「StaleSync 准异步并行」两大黑科技，把训练效率和资源利用率拉满。

· RL Fusion：让一张卡同时兼顾训练和推理两件事，资源利用率和吞吐翻倍。

· StaleSync：打破了同步限制，让集群扩展效率超90%，训练吞吐再提50%。

CloudMatrix超节点，就像大模型的「超级加速器」，让百亿、甚至千亿级模型训练更快更省。

至此，大模型强化学习训练正式迈入超节点时代！

01

RL后训练「算力黑洞」

如今，强化学习，已成为激活大模型推理思考能力的关键buff。

不论是语言模型的对话优化，还是多模态模型的复杂任务适配，RL后训练都在提升模型精度、泛化性、用户体验方面，发挥着不可替代的作用。

然而，这种性能提升的代价是巨大的算力需求。

尤其是在现有主流On-Policy算法下，训练与推理的严格交替导致了资源利用率低下。

总的来说，RL后训练作为大模型训练最后冲刺阶段，面临着两大不容忽视的挑战。

On-Policy算法的同步枷锁

在大模型后训练过程中，Actor模型的训练与推理（生成）过程构成主要负载。

在传统「训推分离」架构下，主流的On-Policy策略要求训练和推理任务交替执行，互相等待，导致大量计算资源处于闲置状态。

这种「轮流休息」的模式，在小规模集群场景下已然造成显著浪费，若在千卡/万卡集群中更是放大为「算力黑洞」，推高了LLM后训练成本。

因此，训推共卡技术，成为提升集群资源利用率的核心突破口。

大规模集群的扩展困境

另一方面，随着MoE模型普及，专家并行（EP）、张量并行（TP）、数据并行（DP）等多模型异构并行策略组合，使得任务调度复杂度呈指数级增长。

而现有框架在大规模集群中，难以让其实现高效协同，进而导致了扩展效率显著下降。

如何通过软硬协同打破资源瓶颈，释放潜在的红利，成为华为团队聚焦突破的关键方向。

02

RL Fusion：一卡干俩活，利用率吞吐翻倍

针对RL后训练资源利用率低的问题，华为团队深入剖析异构模型和多任务场景的负载特点，提出了创新性的RL Fusion训推共卡技术。

简单来说，就是让一张卡既做训练又做推理，效率直接翻倍。

RL Fusion支持训练推理共卡、全共卡等多种灵活部署模式（如图1），可实现推理阶段资源调度的精细化可控管理。

它还支持张量并行（TP）、数据并行（DP）、流水线并行（PP）等多维并行策略的动态无缝切换，实现计算资源「一箭双雕」，即在同一计算资源上执行Actor模型生成和训练2个任务。

图1：训推分离、训推共卡、全共卡部署计算资源利用情况示意图

值得一提的是，在小规模场景下，RL Fusion还能把Reference及Reward模型的资源「榨干」，进一步实现「一箭四雕」，效率直接拉满。

此外，针对大规模高稀疏比MoE模型，华为通过对训推态内存进行极致分析，首次提出了训推内存0冗余切换，实现训推EP动态切换，如图2所示。

图2：MoE大模型训推EP动态变化示意图

在训练态及推理态切换过程中，通过「分桶」管理参数，可消除由于EP变化造成的冗余内存。

同时，推理时把训练的优化器及梯度，完全卸载到主机侧，尽可能将NPU内存留给推理态，保证长序列下推理阶段吞吐（如图3所示）。

图3：MoE大模型训推内存0冗余切换技术示意图

不仅如此，通过对训推共卡中权重通信、内存加卸载进行系统性优化后，训推切换过程优化到秒级，快如闪电。

由此，RL Fusion能让强化学习后训练集群利用率倍增，成本省一大截。

03

StaleSync：水平扩展效率超90%，训练吞吐再提50%

针对大规模集群扩展性低的问题，华为团队摒弃全同步迭代方式，设计了准异步机制StaleSync（如图4所示）。

StaleSync机制能容忍梯度「陈旧性」，让不同RL阶段的任务在「陈旧度阈值」内并行执行。

这使得CloudMatrix 384超节点的水平扩展效率超90%。

图4：StaleSync准异步并行技术示意图

这一创新得益于对RL计算任务的细致分析。

在RL训练中，研究团队发现，不同计算任务的算力需求各异。

基于这一特点，新的后训练系统结合了共置和分离架构的优势，平衡了各个RL计算任务的资源需求，从而提高了整体硬件资源的利用率。

图5：共置/分离架构下同策训练方案示意图和缺点

此外，在Actor Rollout过程中，长尾样本的存在导致了效率的降低。

为了解决此问题，新系统引入了准异步调度机制：

当生成结束的样本达到一定阈值时，数据立刻流向下一阶段的计算任务，允许未完成的推理样本的训练存在一定滞后性，从而提高了整体后训练吞吐。

在保证模型精度的前提下，StaleSync方案使系统整体训练吞吐量提升了50%。

04

背后功臣：数据队列DistQueue

为了满足StaleSync的数据调度与管理要求，研究团队专门设计了分布式数据队列DistQueue。

DistQueue实现了不同计算任务之间数据的拆分、缓存与动态读取。

为了提高通信效率，DistQueue采取了分层数据传输与零冗余通信两项技术，缓解了数据系统压力。

以Pangu 718B-MoE训练并行策略为例（TP8，EP4，PP16），引入分层数据传输可将DistQueue的负载降低为 1/128，从而支持后训练规模的进一步扩展。

图6：分层数据传输技术示意图

在后训练中，传统的样本Padding补齐方案存在大量冗余通信，降低了通信效率。

对此，研究者引入零冗余通信技术，如图7所示：

首先将各个样本在序列维度进行拼接；

在各个进程收到数据后，再根据原始序列长度进行恢复。

这避免了Padding带来的额外通信，大大提升了通信效率。

在盘古长序列训练集实测，研究团队发现上述优化可降低80%以上的通信量，有效支撑大规模集群训练的扩展效率。

图7：DistQueue零冗余数据传输

05

实测：昇腾超节点见证效率跃升

RL Fusion与StaleSync的协同优化，形成了「资源复用+任务并行」的双重保障体系，显著提升了效率。

在RL后训练中，下表1展示了不同加速配置方案对整体性能提升情况。

RL Fusion训推共卡，能够消除RL后训练中模型级空泡，提高资源利用率，单个超节点吞吐提升了78.5%。

再结合StaleSync准异步技术，可以实现35k token/s吞吐效率，整体可提升1.5倍性能。

表1：单超节点RL后训练性能分析

表2展示了StaleSync对集群扩展性的提升。

当集群规模从1个超节点扩展至4个超节点时，StaleSync 的吞吐从35k tokens/s提升至127k tokens/s，扩展线性度达91%；而全同步方案在同等规模下吞吐仅从25k tokens/s 增至 85k tokens/s，线性度约为85%。

表2：RL后训练性能分析

06

结语

在AI风起云涌的当下，RL后训练正成为大模型突围的关键，而效率是决胜的王牌。

昇腾超节点以RL Fusion和StaleSync两大杀招，攻克算力浪费和集群扩展的瓶颈，带来了高效、高扩展、高通用性的集群调度与融合方案。

一张卡干俩活、流水线永不停，单节点速度狂飙2.5倍，集群扩展效率突破90%。

它如同一台「加速引擎」，正为百亿、千亿级大模型的后训练注入强劲动力，点燃下一代AI效率革命的火花。