登录社区云，与社区用户共同成长
邀请您加入社区
随着大模型训练场景的多样化发展，模型需要在不同硬件平台上保持一致的训练精度。本工作旨在将 GLM-5.2 模型结构接入 MindFormers PyNative 框架，并以 GPU 上的 Megatron-LM 为参考基准，验证 Ascend NPU 与 NVIDIA GPU 在单卡训练场景下的精度一致性。通过系统化的对齐流程，确保模型在不同硬件平台上的训练行为可复现、可预期，为后续多卡扩展和实际
在大型语言模型（LLM）的训练与推理实践中，框架生态的兼容性是一个关键挑战。在无 MindSpore 环境的情况下，实现单卡 PyNative（动态图）模式的预训练闭环。目标平台为 Ascend NPU（通过torch_npu），同时需向下兼容 CUDA 和 CPU。本次单卡改造必须为后续平滑放大到多卡并行训练铺平道路，避免未来大规模重构。因此，所有设计决策都以“单卡即多卡 world_size=
这篇文章摘要（146字）： 龙魂系统DNA服务器端验证接口v2.0是一个部署在华为云鲲鹏服务器上的安全验证系统。核心功能包括：基于HMAC的请求签名验证、设备指纹哈希计算、结构化日志记录以及天干地支时间戳机制。系统采用环境变量配置敏感参数，实现自动日志滚动和请求限流，支持最大4KB请求体。通过SHA256哈希验证管理员密钥，并内置传统干支历法用于时间校验。所有DNA注册数据以JSON格式存储，严格
：昇腾实战派。
按“原理论文 → 推理算法 → 工程实现 → 你现在 VERL/vLLM-Ascend 里为什么这样写”的顺序整理，会告诉你每篇看什么、和你调的 MTP 接受率/权重同步有什么关系。按这条线学。这样会明白为什么你之前一直纠结的会互相影响。
摘要：graph-autofusion是一种自动算子融合框架，通过分析计算图的Tensor流和硬件特性自动识别可融合算子组合，无需人工编写规则。它作为GE和Runtime之间的关键工序，将GE优化后的计算图进一步压缩。该框架通过图扫描、依赖分析、硬件约束检查和收益预估四个步骤实现自动融合，显著减少DDR访问量和算子Launch次数。在Transformer模型中，它能将Attention和FFN的
