近日，Meta发布了一份详细的研究报告，揭示了在训练Llama 3 405B参数模型过程中面临的重大挑战。该系统在包含16384个Nvidia H100 GPU的集群上运行，在54天的训练期间，经历了419次意外故障，平均每三个小时发生一次。这些故障中的一半以上归因于GPU及其高带宽内存（HBM3）。
什么是Llama 3.1？深度解析Llama 3.1研发思路
Meta刚刚发布开源Llama 3.1虽然自带论文，但依旧激起了广大网友强烈的好奇心和求知欲。Llama 3.1都使用了哪些数据？其中有多少合成数据？为什么不使用MoE架构？后训练与RLHF流程是如何进行的？模型评估是如何进行的？我们什么时候可以见到Llama 4？Meta是否会发展agent？
LLM的参数规模选择需要考虑多种因素，包括scaling law、训练时间、GPU和硬件的约束等等。不仅要考虑Meta所用的硬件，还要考虑整个AI社区的不同GPU型号和显存大小。此外，目前广泛应用于推理阶段的量化技术也会影响推理和训练/微调成本的比重。
在Scaling Law和训练token总量的限制内，进行了一些权衡，找到了一个有合适推理效率的平衡点。之所以做到405B这么大规模，一个真正与GPT-4比肩的开源模型。虽然目前还没有完全达到目标，但差距正在逐渐缩小。下一代模型将继续扩展。
Scaling Law主要关注模型权重和训练量。Chinchilla论文强调了训练数据token总量的重要性，认为在有限算力前提下，存在一个模型参数量和训练token数的最佳比率。
但是，Meta希望发布的旗舰模型需要更高的推理效率，因此选择增加训练的token数和训练时长，让模型达到“过度训练”的状态。我们希望模型有更好的推理表现，从而更多地应用于开源社区，因此需要做出一些超越Chinchilla定律的选择。
相比Llama 2，Llama 3的架构没有太多变化，但在扩展数据的规模和质量方面作出了很多努力，数据集从2T token增加到15T token。
目前的模型研发有一个趋势，即针对基准分数进行模型的后训练改进。模型评估是一个开放的研究问题，目前还没有很好的答案。当试图提升模型在某个基准上的分数时，可能会存在过拟合，分数提升未必能迁移成为相似的能力。Meta已经在6月开始训练Llama 4模型，重点可能围绕agent技术，并且已经在Toolformer等agent工具上进行了一些工作。
Llama 3训练任务为什么会多次遭遇故障？
由于Llama 3训练任务的规模庞大且高度同步，单个GPU的故障会导致整个训练过程中断，必须重新启动。在419次意外故障中，58.7%的故障与GPU相关，具体包括NVLink等各种GPU故障和HBM3内存故障。这种情况并不意外，因为Nvidia的H100 GPU消耗约700W并承受大量热应力。尽管出现了大量的故障，但只有三起事件需要显著的人工干预，其余的问题均能由自动化处理。
尽管存在这些问题，Llama 3团队通过支持自动化集群维护，实现了超过90%的有效训练时间（有效训练时间是指实际用于有用训练的时间与经过时间的比例）。Meta开发了多种工具和优化策略，包括减少任务启动和检查点时间、广泛使用PyTorch内置的NCCL飞行记录器，以及识别滞后的GPU。其中，NCCLX在故障检测和定位方面发挥了至关重要的作用，尤其是对于NVLink和RoCE相关问题。
PyTorch的NCCL飞行记录器能够将集体元数据和堆栈跟踪记录到环形缓冲区中，从而在大规模情况下快速诊断和解决挂起和性能问题。NCCLX通过与PyTorch的紧密协同设计，提高了故障检测和定位的速度和准确性，允许PyTorch访问NCCLX的内部状态并跟踪相关信息。
训练过程中，成千上万的GPU可能同时增加或减少功耗，例如等待检查点完成或集体通信结束，或整个训练任务的启动或关闭。这会导致数据中心的功耗瞬时波动达到几十兆瓦的数量级，可能使电网不堪重负。Meta必须确保其数据中心有足够的电力，以维持Llama 3 405B模型及未来更大规模模型的正常运转。
Meta还注意到，环境因素会影响大规模训练性能。Llama 3 405B训练期间，每天中午因温度较高影响了GPU的动态电压和频率调整，导致吞吐量波动1-2%。尽管这不是大问题，但它揭示了温度变化对GPU性能的潜在影响。
考虑到16384个H100 GPU的集群在54天内经历了419次意外故障，平均每24小时7.76次，xAI的孟菲斯超级计算机集群（配备10万个H100 GPU）可能会面临更高的故障率。埃隆·马斯克（Elon Musk）最近在社交平台上宣布启动了“世界上最强大的人工智能训练集群”，预计在今年12月前创建“世界上所有指标最强大的人工智能”。根据GPU规模比例，xAI的孟菲斯超级计算机集群可能会面临更多的故障和挑战。
随着人工智能模型参数量的不断增加，所需的计算资源也随之扩大。以 xAI 计划中的 10 万块 H100 显卡集群为例，故障率可能会成倍增长，给未来的 AI 训练带来更大的挑战。尽管挑战重重，Meta通过开发和应用多种技术和优化策略，展示了在大规模人工智能训练中克服故障、提升效率的能力。未来，随着人工智能模型参数量的不断增加，计算资源需求也将持续增长。Meta的经验为业界提供了宝贵的参考，也为未来更大规模模型的训练奠定了基础。