摩尔线程 × 智源｜FlagOS AI训练“全要素”验证成绩单

近日，北京智源人工智能研究院（简称：智源研究院）正式发布重磅验证成果：六款AI芯片、三大模型、同构+异构千卡——众智FlagOS以统一技术栈完成AI训练“全要素”验证。

作为本次验证的核心参与厂商之一，摩尔线程基于旗舰级AI训推一体全功能GPU智算卡MTT S5000，完整适配了FlagOS训练全要素软件栈——包括FlagScale系统调度决策框架、Megatron-LM分布式训练框架、Transformer Engine加速库、FlagGems与Triton算子库，以及FlagCX通信库。

在此次严苛的验证中，MTT S5000面向Qwen3-0.6B语言模型完成了1T Tokens从头训练验证，实现连续6天以上、超过14000步的无中断稳定训练。训练所得模型 Loss 曲线与基线高度一致，平均相对误差控制在0.82%以内；在标准下游任务评测中，较行业标杆基线提升1.65个百分点，充分验证了全功能GPU算力在大模型端到端训练中的稳定性与有效性。

长周期高负载验证：

4机32卡无中断，6+天稳定训练

此次FlagOS全要素适配与验证工作，旨在检验多元AI算力在统一软件栈下的端到端训练能力。摩尔线程与智源团队紧密协作，高效完成了底层适配与系统调优，并于春节前正式启动全流程训练验证。

在实际训练中，摩尔线程采用4机32卡配置，面向 Qwen3-0.6B语言模型开展训练。在超过6天的连续训练周期内，系统稳定完成 1T Tokens 数据量的超过14000步迭代，期间未发生任何软硬件中断。这一结果回应了业界对国产算力大规模训练稳定性的核心关切，也进一步证明了基于MTT S5000构建的训练集群在长时间、高负载场景下的可靠性，充分验证国产算力已具备支撑企业级大模型预训练任务的能力。

精度稳定对齐：

Loss曲线高度一致，评测效果优于基线

大模型训练的核心诉求，不仅在于算力规模与性能，更在于训练过程中的稳定性、收敛效果和最终模型质量。其中，训练精度是基石，下游任务评测效果则是检验训练成效的关键指标。

在FlagOS统一软件栈的调度下，采用完全对齐的数据集和训练参数，基于MTT S5000集群的训练过程呈现出与国际主流产品基线高度一致的Loss收敛曲线，平均相对误差控制在0.82%以内。与此同时，在标准的下游任务评测中，基于MTT S5000训练的模型，取得了比行业标杆基线高出1.65个百分点的结果表现。

与基线评测偏差的计算方法（后面的计算方式类似）：

Qwen3-0.6B评测结果（正数是优于基线）

这一结果表明，开发者基于公开的模型结构与数据集，即可在摩尔线程MTT S5000算力平台上，获得与国际主流平台精度相当，并在部分评测指标上实现更优表现的大模型训练效果。

此外，摩尔线程基于MTT S5000的训练能力已在更大规模场景中得到验证。今年1月，依托摩尔线程MTT S5000千卡智算集群，FlagOS成功完成智源自研具身大脑模型RoboBrain 2.5的全流程训练与优化验证。结果显示，其Loss曲线与国际主流产品基线高度一致，最终结果相对误差小于0.62%；在64卡至1024卡规模区间内，多组实验均实现超过90%的线性扩展效率。该案例表明，摩尔线程基于MTT S5000的训练能力不仅可支撑长周期端到端验证，也具备向更大规模、更复杂模型场景持续延展的能力。

RoboBrain2.5模型评测效果

端到端训练Loss曲线

软硬创新协同：

打造高质量大模型训练底座

此次验证成绩的取得，离不开摩尔线程在芯片架构、通信能力、计算单元协同以及FP8训练支持等方面的持续打磨。基于MTT S5000，摩尔线程正不断完善面向大模型训练的软硬件能力，为训练稳定性、精度表现和规模扩展提供坚实支撑。

▼架构级精度优化：深入打磨矩阵乘法（GEMM）算子

矩阵乘法（GEMM）是大模型训练中的核心算子之一，其数值精度直接影响Loss曲线的收敛表现与最终模型效果。围绕这一关键环节，摩尔线程团队在MTT S5000的架构设计阶段，便针对浮点运算的舍入模式、累加路径等关键计算链路进行了精细化优化。这种来自架构层面的持续打磨，使得MTT S5000在长时间训练过程中保持更稳定的数值表现，为模型训练精度对齐及下游评测效果提升提供了坚实的底层保障。

▼ACE异步通信引擎：让计算与通信更高效并行

在大规模分布式并行训练中，卡间通信往往会与计算任务争抢带宽及核心资源，成为制约扩展效率的瓶颈。MTT S5000创新性地内置了ACE（Asynchronous Communication Engine，异步通信引擎），作为独立的硬件通信单元，能够在不占用计算核心资源的情况下，高效完成跨卡间的all_reduce、all_gather等集合通信操作。得益于ACE，通信与计算得以更深度地并行协同——当Tensor Core（张量计算核心）在进行繁重的矩阵运算时，ACE已在后台并行完成梯度同步，为大规模训练带来更高的资源利用效率。摩尔线程在千卡规模训练中能保持超过90%的线性扩展效率，正是这一设计优势的重要体现。

▼多计算单元协同：Tensor Core与Vector Core高效配合

为了更好适配大模型训练中多样化的计算负载，MTT S5000在算力单元的设计上，对Tensor Core与Vector Core（向量计算单元）进行了针对性的配置与协同优化。在实际调度中，密集的矩阵运算交给Tensor Core处理，而LayerNorm、Softmax、激活函数等偏向内存或带宽密集型算子则交由Vector Core高效执行。基于这一硬件特性，摩尔线程联合智源团队对FlagOS进行了深度的软件栈调优，最终在FlashAttention等关键算子上实现了超过90%的计算资源利用率，进一步释放了平台的训练潜力。

▼原生FP8支持：协同MT-Megatron稳定高效释放Grouped GEMM潜力

随着模型参数规模迈入千亿甚至万亿级别，低精度训练已成为提升训练效率的重要方向。MTT S5000在硬件层面原生支持FP8数据精度，为更高吞吐的大模型训练提供了基础能力。通过底层算子库的高效优化，其FP8 Grouped GEMM性能在实际场景中取得了超过700TFLOPs的性能表现。同时，摩尔线程对MT-Megatron分布式训练框架进行了深度适配与优化，进一步提升了FP8训练在主流大模型上的稳定性与可收敛性，能够为包括DeepSeek-V3在内的大模型训练提供有效支撑。

从训练稳定性、收敛精度到下游任务效果，摩尔线程基于 MTT S5000 交出的这份成绩单表明，在统一技术栈下，国产全功能GPU不仅验证了大模型端到端训练的可用性，也展现出在实际训练效果上持续提升的潜力。

北京智源人工智能研究院副院长兼总工程师林咏华表示：“长期以来，‘对齐CUDA’只是行业在缺乏替代方案下‘不得已为之’的对齐标准。但如果能获得比CUDA更优的实际训练效果，才是产业界共同的期待，才能让系统架构百花齐放、勇于创新。摩尔线程在训练实测中超过了国际主流产品的表现，证明了这种期待已经有实现的可能性了。”

未来，摩尔线程将继续深化与智源研究院及生态伙伴的合作，以自主创新的全功能GPU算力底座，推动多元算力从“普适”走向“普惠”，为中国大模型研发提供开放、高效、可规模化复制的“国产算力训练范式”。