简介

Ling 2.0是业界首个在MoE模型上支持FP8混合精度训练的开源方案。通过细粒度量化、FP8优化器、按需转置等技术，在保持模型效果几乎无损的同时，实现了90-120%的吞吐提升，单卡显存节省14-16GB。该方案解决了FP8训练中的精度损失问题，为有限计算资源下的大模型训练提供了高效解决方案。

---

TL；DR

本次开源的 Ling 2.0 原生使用 FP8 精度进行训练，在不断追求 FP8 极致性价比的过程中，我们有了以下成果：

1.几乎无损的模型效果：更细的量化粒度能够避免 outlier 对整体量化精度的影响，从而保障了 loss 的收敛趋势与 bf16 训练一致。此外，细粒度量化也有利于 backward 使用更高精度的 FP8 E4M3 而非 E5M2，进一步降低了整体数值精度的损失。

2.更优的框架执行效率：FP8 带来的显存优势，能够为模型切分、重计算等手段带来更大的发挥空间，从而进一步提升整体的训练吞吐量。在 FP8 tile/block wise scaling 的基础上，我们进一步引入了 FP8 optimizer、FP8 on-demand transpose weight、FP8 padding routing map 等优化技术。最终，在 8/16/32 * 80G GPUs 的训练性能测试中，相比于 LLaMA 3.1 8B 与 Qwen3 8B，Ling-mini-2.0 在开启 MTP 时可获得 30-60% 吞吐提升，关闭 MTP 时则达到 90~120% 吞吐提升。

开源地址：https://github.com/inclusionAI/Ling-V2/
Huggingface：https://huggingface.co/collections/inclusionAI/ling-v2-68bf1dd2fc34c306c1fa6f86
Modelscope：https://www.modelscope.cn/collections/Ling-V2-01d8988fbf864d

近年来，大模型技术发展迅速，模型参数规模与训练数据量呈指数级增长，对计算资源、内存带宽和能耗提出了空前挑战。降低计算与存储开销成为提升模型研发效率、降低推理部署成本的关键路径。低精度训练在降低显存占用的同时也能够提供更高的计算效率，但更少的 bit 位无法精确表示数值导致的 loss 收敛慢、榜单效果降低则是需要解决的新问题。

本次开源的 Ling 2.0 系列模型原生使用 FP8 混合精度训练，我们也同步开源了全套 FP8 训练方案。这是业界首个在 MoE 模型上支持 FP8 混合精度训练的完整开源方案，开箱即用。

如何缓解 FP8 精度劣势

精度担忧从何而来？

FP8，即使用 8 个 bit 位来表示一个浮点数。相比于 FP32/FP16/BF16，8 bit 意味着在浮点数的指数位（exponent）或尾数位（mantissa）需要做一些取舍，这直接影响了 FP8 能够表达的数值范围以及数值数量。

如下图，当前社区广泛使用 FP8 E4M3 或 FP8 E5M2 这两种 FP8 数值类型，其中 E4M3 相比于 E5M2 有着多一位尾数来提升精度、但少一位指数而导致更小的动态范围。

不同数值类型位表达方式

相比于 BF16（E8M7），FP8 更小的动态范围以及更低的数值精度会导致训练过程中出现 loss 收敛速度降低（算不准）、所产出模型评测效果变弱等问题。因此，想要表示模型训练过程中的weight/activations/grad 等 tensor 信息，通常需要 FP8 tensor 与 scale tensor 协作来完成。其中 scale tensor 是一个远小于 FP8 tensor 尺寸但具有更大动态范围的矩阵/实数。

我们将一个原始 BF16 tensor 转为 FP8 tensor + scale tensor 的过程称为“量化”，将其逆过程称为“反量化”。在这样的模式下，现有模型中的 BF16 Linear 层即可使用如下图所示的方案转换为 FP8 Linear。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

哪里引入了误差？

在低精度训练的探索中，我们将低精度所导致的误差来源归因为以下几方面：

1.FP8 量化误差（矩阵非零元素在量化后变为 0 的现象）

2.FP8 量化失真（矩阵相近数值在量化后相等的现象）

3.FP8 gemm 精度差异

其中，在我们看来，使用 fp32 精度维护 accumulate（累加器）的 gemm 算子在第 3 点中所导致的误差可忽略不计，真正影响训练收敛性的根因主要在于 1、2。因此，为了安全护航 Ling 2.0 系列模型的训练，我们开发了 FP8 量化失真/下溢以及高精度重算误差的监控，在出现精度预警时及时推送相关信息并介入处理。

Ling 2.0 训练方案

粗粒度量化（per-tensor/channel wise scaling）

早期 FP8 训练方案通常采用 per-tensor wise scaling 或 per-channel wise scaling 的量化方式，其量化 scale 易受到矩阵离群点的影响而导致量化误差加剧，进而影响训练的 loss 收敛。在大规模数据训练后期，往往会出现 loss 收敛速度变慢甚至 loss 上涨的问题，且该现象难以通过提升精度的方式快速进行矫正，这使得此类 FP8 方案难以保障超大规模 LLM 模型的训练。

细粒度量化（per-tile/block wise scaling）

参考 Deepseek v3，Ling-mini-2.0 同样采用更细粒度的 tile/block wise scaling 方案，该方案通过对矩阵进行分块（tile/block）并为每块分别维护各自的 scale，很大程度避免了离群点对于全局量化误差的影响，这使得在 FP8 精度下训练超大规模 LLM 模型成为可能。

Ling-mini-2.0上的对比实验

BF16 v.s. FP8 loss 差异

基于 Ling 2.0 的 FP8 混合精度训练方案，下图展示了我们在 Ling-mini-2.0 架构下使用 BF16 与 FP8 精度训练的 loss 差异。FP8 相比于 BF16 在 loss 稳定收敛后全程保持在 0.001 左右的相对误差，且 loss 差异无上涨趋势。

BF16 v.s. FP8 on Ling-mini 2.0

FP8 下溢/失真 监控指标

从 FP8 下溢/失真监控来看，activations 与 grad 在训练全程均保持着很低的下溢比例，这保障了正向传播（forward）与反向传播（backward，dx）FP8 计算结果的可靠性。

而对于反向传播过程中计算 dw 所依赖的 grad (transpose)，监控显示出尾层有较高的量化误差。基于该现象，我们从许多角度完成了分析与验证，判断该误差不会对模型训练造成明显的影响，且 dw 本身处于反向传播过程中的叶子结点，量化误差不会随反向传播而层层累积。

PS：
FP8 作为 Ling Team 首次在语言模型下的低精度训练尝试，每个人心中都有类似这样的疑虑：“FP8 是否真的不影响模型效果、下溢比例上涨是否意味着模型要训坏了、FP8 训练太久了要不要用 BF16 回测一段时间看是否真的没问题”。
< 在我们的工作中，除了确保 loss diff 在“历史实验”下是安全的，也需要确保“当下实验”在无基线的训练过程中依然也是安全的。因此，我们对 loss、榜单等指标与 FP8 下溢/失真指标 进行相关性分析，以及对于所提取的 下溢/失真 严重的 tensor 进行高精度 dw 重算与比对，以上分析得出的“健康训练”逐渐平复了大家心中的疑虑。

量化下溢（越小越好），从左到右依次 activations / grad / grad (transpose)

量化失真（越大越好），从左到右依次 activations / grad / grad (transpose)

如何用好 FP8 性能优势

Motivation

在有了精度可靠的训练方案后，我们开始着眼于 FP8 所能带来的性能优势。考虑到大部分个人用户的计算资源都不会很充裕，我们希望通过利用 FP8 更低显存占用 的优势，结合 CPU overhead 优化 两方面来提供一种有效的混合精度训练技术。进而让用户在有限计算资源（8~32卡 80G 显存 GPU）下对 Ling-mini-2.0 进行加训时，可获得比 10B 以下的 dense 模型吞吐更大的训练性能：

• • 更低的显存占用：相比于 BF16，FP8 所节省一半的显存可以为 micro batch size / TP、PP 切分/重计算 等策略带来更大的调整空间。而更细粒度的 FP8 量化方法能够保障 LLM 安全平稳的训练，也意味着现有网络的 weight、activations、grad、optimizer 等数值均有可能在 FP8 精度下做低损的“压缩”与“解压缩”，从而可以提供一种时间换空间的手段。
• • CPU overhead 优化：现有 Megatron + Transformer Engine 训练框架下使用 FP8 recipe 进行训练会带来许多额外的操作，例如 FP8 量化/反量化、FP8 padding/unpadding，更多的 assert 校验等，这些都是潜在影响整体训练效率的因素。

更优的训练效率

FP8 Optimizer

Adam 优化器为每个参数维护两个额外的状态变量（一二阶动量），其显存占用是参数的 2 倍，当模型增大且卡数有限时会成为显存瓶颈。使用 FP8 表示一二阶动量，可以节省 75% 的优化器显存占用，大幅度的降低显存压力，使得在有限的硬件显存限制下，支持更大尺寸模型的训练或提升 micro batch size 来加速训练。

经验证，在细粒度“压缩”与“解压缩”的方式下，使用 FP8 精度维护一二阶动量对模型训练的收敛性和榜单效果几乎没有影响。这可能归因于一二阶动量对数值精度不敏感，量化误差可以被动量的平滑特性所缓解。

方案思路可参考：https://arxiv.org/abs/2110.02861

FP8 on-demand transpose weight

受限于 FP8 Tensor 较低的转置效率，原有 transformer engine 实现中为了提高效率，会额外缓存了一份 weight.T 用于 backward 的计算，导致整体并未节省 weight 所占显存。在该背景下，我们通过开发更快的转置算子，实现了按需转置，去掉了这部分额外的转置权重，从而节省了一半的 weight 显存占用。

该项优化已提交至社区：https://github.com/NVIDIA/TransformerEngine/pull/2168

FP8 padding routing map

FP8 gemm kernel 要求运算矩阵 shape 是 16 的倍数，而在 MoE 模型中很难保证分发到每个 expert 的 token 数量均符合要求。原有 Megatron 框架通过额外的 padding/unpadding layer 在解决该问题的同时引入了额外的 CPU overhead。为了减少不必要的操作耗时，我们和 Megatron 社区开发人员协作，通过编辑 routing map 的方式在路由分发前便保证了预期矩阵 shape 与 FP8 gemm kernel 的兼容性，而相应被编辑区域由于 router probs 为 0 同时也保证了整体计算结果的数学等价性，从而进一步提升了模型的训练效率。

该优化已合入 Megatron：FP8 padding optimization of MoE models by padding the routing map.
https://github.com/NVIDIA/Megatron-LM/commit/92d68dae89af0baab2d4eee092f884902dca4db0#diff-06b2195ca42e43b8dea3655e1797f76f15ad13edbcc4c621e4e38c2ccfbb5a94

Ling-mini-2.0 实测性能

基于上述提到的 FP8 方案，在单机 8 卡场景下，相比于 BF16 基线可节省单卡显存占用约 14-16GB。利用空余的显存可以调大 micro batch size，从而提升整体训练的吞吐。在 8/16/32 * 80G GPUs 的性能测试中，相比于 LLaMA 3.1 8B 与 Qwen3 8B，Ling-mini-2.0 在开启 MTP 时可获得 30-60% 吞吐提升，关闭 MTP 时则达到 90-120% 吞吐提升。

一些碎碎念

在低精度训练探索的过程中，我们需要有一种更具“性价比”的链路来替代 BF16。这里的性价比简单来讲，即：同等训练耗时下取得更优的 loss 或榜单。

虽然看起来在不同角度扣一扣总能有一些性能提升，但实际做下来，我们发现对性能的优化是一个长期且漫长的过程，若是精度有可观测的损失，那便需要更大且更长周期的优化投入才能抹平这些损失。因此，对于 Ling 系列模型我们的要求非常严格，即 “精度无损”，在无损的精度下再持续地优化性能。

在当下，得益于 3D 并行策略等技术的发展，任意尺寸基于 transformer 架构的语言模型，均可以在 TP/PP/CP 等并行策略下被装载进多张 GPU 中。而低精度又额外提供一种用时间换空间的手段，因此，在有限的资源限制下，如何权衡计算效率、通信效率、重计算等因素来最大程度地提升的训练吞吐，是我们需要持续探索的。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.大模型 AI 学习和面试资料

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】