昆仑万维宣布开源2千亿稀疏大模型Skywork-MoE

6月3日，昆仑万维宣布开源2千亿稀疏大模型Skywork-MoE，性能强劲，同时推理成本更低。Skywork-MoE基于之前昆仑万维开源的Skywork-13B模型中间checkpoint扩展而来，是首个完整将MoE Upcycling技术应用并落地的开源千亿MoE大模型，也是首个支持用单台4090服务器推理的开源千亿MoE大模型。

开源地址

Skywork-MoE的模型权重、技术报告完全开源，免费商用，无需申请。

模型架构

本次开源的Skywork-MoE模型隶属于天工3.0的研发模型系列，是其中的中档大小模型，模型的总参数量为146B，激活参数量22B，共有16个Expert，每个Expert大小为13B，每次激活其中的2个Expert。

模型能力

昆仑万维基于目前各大主流模型评测榜单评测了Skywork-MoE，在相同的激活参数量20B下，Skywork-MoE能力在行业前列，接近70B的Dense模型，使得模型的推理成本有近3倍的下降。同时Skywork-MoE的总参数大小比DeepSeekV2的总参数大小要小1/3，用更小的参数规模做到了相近的能力。

技术创新

为了解决MoE模型训练困难，泛化性能差的问题，相较于Mixtral-MoE， Skywork-MoE设计了两种训练优化算法:

1.Gating Logits归一化操作

昆仑万维在Gating Layer的token分发逻辑处新增了一个normalization操作，使得Gating Layer的参数学习更加趋向于被选中的top-2 experts，增加MoE模型对于top-2的置信度:

2.自适应的 Aux Loss

有别于传统的固定系数的aux loss，昆仑万维在MoE训练的不同阶段让模型自适应的选择合适的aux loss超参系数，从而让Drop Token Rate保持在合适的区间内，既能做到expert分发的平衡，又能让expert学习具备差异化，从而提升模型整体的性能和泛化水平。在MoE训练的前期，由于参数学习不到位，导致Drop Token Rate太高(token分布差异太大)，此时需要较大的aux loss帮助token load balance；在MoE训练的后期，昆仑万维希望Expert之间仍保证一定的区分度，避免 Gating倾向为随机分发Token，因此需要较低的aux loss降低纠偏。

训练Infra

如何对MoE模型高效的进行大规模分布式训练是一个有难度的挑战，目前社区还没有一个最佳实践。Skywork-MoE提出了两个重要的并行优化设计，从而在千卡集群上实现了MFU 38%的训练吞吐，其中MFU以22B的激活参数计算理论计算量。

1.Expert Data Parallel

区别于Megatron-LM社区已有的EP和ETP(Expert Tensor Parallel)设计，昆仑万维提出了一种称之为Expert Data Parallel的并行设计方案，这种并行方案可以在Expert数量较小时仍能高效的切分模型，对Expert引入的 all2all通信也可以最大程度的优化和掩盖。相较于EP对GPU数量的限制和ETP在千卡集群上的低效， EDP可以较好的解决大规模分布式训练MoE的并行痛点，同时EDP的设计简单、鲁棒、易扩展，可以较快的实现和验证。

2.非均匀切分流水并行

由于first stage的Embedding计算和last stage的Loss计算，以及Pipeline Buffer的存在，流水并行下均匀切分Layer时的各stage计算负载和显存负载均有较明显的不均衡情况。昆仑万维提出了非均匀的流水并行切分和重计算Layer分配方式，使得总体的计算/显存负载更均衡，约有10%左右的端到端训练吞吐提升。

MoE Know-how

此外，Skywork-MoE还通过一系列基于Scaling Laws的实验，探究哪些约束会影响Upcycling和From Scratch训练MoE模型的好坏。

一个可以遵循的经验规则是:如果训练MoE模型的FLOPs是训练Dense模型的2倍以上，那么选择from Scratch训练MoE会更好，否则的话，选择Upcycling训练MoE 可以明显减少训练成本。

4090推理

Skywork-MoE是目前能在8x4090服务器上推理的最大的开源MoE模型。8x4090服务器一共有192GB的GPU显存，在FP8量化下，使用昆仑万维首创的非均匀Tensor Parallel并行推理方式，Skywork-MoE可以在合适的batch size 内达到2200 tokens/s的吞吐。

昆仑万维希望本次开源的Skywork-MoE模型、技术报告和相关的实验结果可以给开源社区贡献更多的MoE训练经验和Know-how，包括模型结构、超参选择、训练技巧、训练推理加速等各方面，探索用更低的训练推理成本训更大更强的模型，在通往AGI的道路上贡献一点力量。