metrics:label:# 不配置将直接使用内置默认配置 export MS_SERVICE_METRIC_CONFIG_PATH = /path/to/metric_config.yaml具体配置项说明可以参考：https://gitcode.com/Ascend/msserviceprofiler/blob/master/ms_service_metric/README.md[#ms](j

metrics:label:# 不配置将直接使用内置默认配置 export MS_SERVICE_METRIC_CONFIG_PATH = /path/to/metric_config.yaml具体配置项说明可以参考：https://gitcode.com/Ascend/msserviceprofiler/blob/master/ms_service_metric/README.md[#ms](j

在强化学习场景下存在多个不同的任务阶段，其内存变化比较大，可以使用 PyTorch Profiler 中的 profile_memory 数据或者 Snapshot 数据来分析内存使用，特别是 Snapshot，其可以查看内存使用细节，在深入分析时非常有用。

MindStudio服务化自动寻优工具，通过仿真建模，自动搜索推荐最优配置参数，帮助开发者告别繁琐的参数调试流程，有效减少反复分析服务化参数-实测-再分析的试错过程，大幅提升服务化调优效率。目前该工具已正式发布，欢迎广大开发者点击链接下载体验！msserviceprofiler/docs/服务化自动寻优工具.md · Ascend/msit - Gitee.com。

在AI计算领域，随着模型规模不断扩大，如何突破训练性能瓶颈已成为开发者面临的关键挑战。特别是在大规模分布式训练场景下，传统性能监测方案存在明显不足：其一，采用被动式监测策略，往往在性能抖动发生后才能触发数据采集，导致问题定位存在延迟；其二，面对训练过程中产生的海量性能数据（通常达数百GB量级），传统方案的解析和转储效率低下，进一步延长了问题诊断周期。这些缺陷不仅影响排障效率，更会造成计算资源浪费。

msSanitizer 与 msDebug 作为 MindStudio 算子工具链的重要能力，分别从 “异常预防” 和 “问题溯源” 两个维度发力，为昇腾 NPU 算子的精度调试提供了系统化解决方案，是提升算子开发质量与效率的关键利器，目前该工具已正式发布，更多功能请参考官方资料。

更新时间：2025/09/17随着人工智能模型规模的不断扩大及应用场景的日益复杂，在昇腾AI计算平台上进行训练和部署时，面临着Host-Device协同效率不高、重要算子性能下滑、通信延迟增大、模型下发效率低等诸多挑战。因此，深度学习系统的性能瓶颈也从计算能力提升，转变为对硬件平台、软件栈、通信机制以及模型结构之间的协同效率进行全面优化的需求。在此背景下，迫切需要构建一套系统性的性能分析与优化框架

性能优化总体思路围绕展开，具体步骤如下。说明：性能优化的前提是不造成精度劣化，特殊情况下，需对齐精度劣化是否能接受。

cluster_analyse：集群场景下，如千卡、万卡等无法直接分析全部数据的场景，可通过此工具来提取集群迭代耗时和通信数据， 快速定位慢卡、慢节点以及慢链路问题。支持比较GPU与NPU之间、NPU与NPU之间的单卡性能差异，更推荐在GPU迁移NPU性能劣化、性能抖动等有基线比对数据的场景使用。AI框架Profiler接口封装了msprof命令行工具，进一步增加了对AI框架层性能数据的采集与解析

msModelSlim量化工具，为用户提供了多种量化、离群值抑制算法的API接口。同时，msModelSlim也提供一键量化、自动选层的能力，用户无需深入量化细节或反复调试参数，仅需调用简洁接口即可快速完成最优量化配置搜索，降低操作门槛，显著提升开发效率。无论是希望快速部署轻量化模型的工程师，还是追求极致性能的研究者，msModelSlim都能提供专业、高效的量化工具，助力AI应用高效落地，欢迎大