training-xpu-pytorch 25.07
本文介绍training-xpu-pytorch 25.07版本发布记录。
Main Features and Bug Fix Lists
Main Features
升级PPU SDK至 1.5.3。
升级vllm至v0.9.1、优化sailSHMEM性能。
Bugs Fix
SDK升级到1.5.3，修复以下issue:
torch profiler：修复了pytorch 2.6环境下torch profiler性能数据异常的问题。
acext：修复了w8a8-int8 gemm接口传入bias导致的精度问题。
acext： fix int8_gemm python API crash when CUDA Graph Capture。
Contents
应用场景 | 训练/推理 |
框架 | pytorch |
Requirements | PPU SDK 1.5.3 |
核心组件 |
|
Assets
通过公网拉取ACS AI容器镜像需要先获取鉴权密钥。建议您使用VPC方式加速拉取AI容器镜像，减少镜像拉取的时间。
25.07
公网镜像
egslingjun-registry.cn-wulanchabu.cr.aliyuncs.com/egslingjun/training-xpu-pytorch:25.07
VPC镜像
acs-registry-vpc.{region-id}.cr.aliyuncs.com/egslingjun/{image:tag}
{region-id}为您使用的ACS产品所在的开服地域，比如：cn-beijing、cn-wulanchabu等。{image:tag}为实际镜像的名称和Tag。
Driver Requirements
Driver version >= 1.1.0。
Key Features and Enhancements
PyTorch编译优化
PyTorch 2.0引入的编译优化能力在单卡小规模下通常可以获得显著的收益，但是在LLM训练中需要引入显存优化、FSDP/Deepspeed等分布式框架，导致torch.compile()无法简单地获得收益或者存在负收益：
在DeepSpeed框架下控制通信的颗粒度，帮助编译器获取更完整的计算图，做更大范围的编译优化。
优化版本的PyTorch：
优化PyTorch编译器前端，确保在计算图中出现任意graph break的情况下仍能正常编译。
强化模式匹配以及dynamic shape能力，提高编译后代码性能。
结合上述优化，在8B LLM训练下通常可以获得20%左右的E2E吞吐收益。
重计算显存优化
基于大量性能评测数据，包括不同模型在不同集群以及不同训练参数配置，以及评测过程中采集的相关显存利用率等系统指标数据，我们进行模型显存开销的预测建模分析，并推荐出最佳的激活值重算层数，并集成到PyTorch中，让用户可以低门槛的使用显存优化带来的性能收益。当前已支持该特性在DeepSpeed框架中的适配。
ACCL通信库
ACCL是阿里针对灵骏产品自研的高性能网络通信库，针对GPU、PPU和AMD三个场景提供ACCL-N、ACCL-P和ACCL-R三个版本。ACCL-N是阿里云基于英伟达NCCL定制后提供的高性能通信库，在完全兼容NCCL的基础上，修复了官方NCCL版本的一些BUG，并进行了性能和稳定性相关的优化。ACCL-P是基于平头哥开源通信库pccl，进行二次开发的集合通信库。ACCL-R是基于AMD Rocm开源通信库rccl，进行二次开发的集合通信库。本版本主要将ACCL/ACCL-N上实现的主要特性移植到了pccl上，修复了一些问题，结合高网的相关自研产品组件进行了深度定制。
E2E性能收益评估
利用云原生AI性能评测分析工具CNP，我们采用主流开源模型和框架配置，与标准的基础镜像进行了全面的端到端性能比较分析，并通过消融实验分析，进一步评估了每个优化组件对整体模型训练性能的收益贡献。
镜像对比基础镜像&迭代评估。
PPU核心组件E2E性能贡献分析。
以下测试基于25.07, 在多节点PPU集群上进行训练E2E性能评测和对比分析，对比项包括：
Base：PPU PyTorch Image。
ACS AI Image：Base+ACCL： 镜像使用ACCL通信库。
ACS AI Image：AC2+ACCL： Golden镜像使用AC2 BaseOS，不开启任何优化。
ACS AI Image：AC2+ACCL+CompilerOpt： Golden镜像使用AC2 BaseOS，只启用torch compile优化。
ACS AI Image：AC2+ACCL+CompilerOpt+CkptOpt：Golden镜像使用AC2 BaseOS，且同时开启torch compile和selective gradient checkpoint优化。
Quick Start
以下示例内容仅通过Docker方式拉取training-xpu-pytorch镜像。
在ACS中使用training-xpu-pytorch镜像需要通过控制台创建工作负载界面的制品中心页面选取，或者通过YAML文件指定镜像引用。
1. 选择镜像
通过公网拉取ACS AI容器镜像需要先获取鉴权密钥。建议您使用VPC方式加速拉取AI容器镜像，减少镜像拉取的时间。
docker login egslingjun-registry.cn-wulanchabu.cr.aliyuncs.com2. 调用API开启编译器+重计算显存优化
启用编译优化
使用transformers Trainer API：
启用重计算显存优化
export CHECKPOINT_OPTIMIZATION=true
3. 启动容器
镜像中内置了模型训练工具ljperf，以此说明启动容器和运行训练任务的步骤。
ACS形态产品请通过YAML方式使用镜像。
LLM类
# 启动容器并进入
docker run --rm -it --ipc=host --net=host --privileged egslingjun-registry.cn-wulanchabu.cr.aliyuncs.com/egslingjun/training-xpu-pytorch:25.07
# 运行训练demo
ljperf --action train --model_name deepspeed/llama3-8b使用建议
镜像中的改动涉及Pytorch、Deepspeed等库，请勿重装。
deepspeed配置中的zero_optimization.stage3_prefetch_bucket_size留空或者auto。
SDK 1.5.3 支持的量化能力。
在SDK 1.5.3 中发布的 vllm 0.9.1 暂未适配 AWQ/GPTQ，存在性能问题（建议用 vLLM 0.8.5，或者等 SDK1.6镜像发布）；在SDK 1.5.3 中发布的 vllm 0.9.1 支持a8w8_int8量化。
DeepSeek R1（671B）：
vLLM 0.9.1（SDK 1.5.3）：支持per-token/per-channel a8w8（int8）量化方案，不支持AWQ（w4a16）、GPTQ （w4a16、w8a16）（未适配 AWQ和GPTQ，存在明显性能问题）。
如果要在vLLM上使用AWQ（w4a16）、GPTQ（w4a16、w8a16）量化方案，需要使用SDK 1.5.2的镜像（对应镜像：egslingjun-registry.cn-wulanchabu.cr.aliyuncs.com/egslingjun/training-xpu-pytorch:25.06.post1）。
Qwen3：
vLLM 0.9.1（SDK 1.5.3）：支持per-token/per-channel a8w8（int8）量化方案，不支持AWQ（w4a16）、GPTQ （w4a16、w8a16）（未适配 AWQ和GPTQ，存在明显性能问题）。
如果要使用AWQ（w4a16）、GPTQ（w4a16、w8a16）量化方案，需要使用SDK 1.5.2的镜像（对应镜像：egslingjun-registry.cn-wulanchabu.cr.aliyuncs.com/egslingjun/training-xpu-pytorch:25.06.post1）。
本镜像内置环境变量
NCCL_SOCKET_IFNAME需要根据使用场景动态调整：当单pod只申请了1/2/4/8卡进行推理任务时：需要设置
NCCL_SOCKET_IFNAME=eth0（本推理镜像内默认配置）。当单pod申请了整机的16卡（此时您可以使用HPN高网）进行推理任务时：需要设置
NCCL_SOCKET_IFNAME=hpn0。
Known Issues
本期LLaMA3.2-11b-vision开启torch compile存在报错问题，预计下版本修复。
vLLM-v0.9.1 预估的可用KV Cache 空间相比 v0.8.5 少，导致受 KV Cache 约束的场景并发数会因此下降，对性能产生影响（例如 DeepSeek-R1-bf16 810e 单机运行）。
重要建议在真武810E上运行A8W8量化模型，以避免性能下降。