版本：Next

预训练工程：从单机到千卡

预训练是 LLM 最昂贵的一步：数千张 GPU 连续跑数周数月，一次"训崩"就是数百万美元。本篇讲工业级预训练的关键工程决策与故障诊断。

一、规模规划：先算账再开训

算力公式

训练总 FLOPs ≈ 6 · N · D
N = 参数量，D = 训练 token 数

例：7B 模型训 1.4T token（Chinchilla 最优）→ 6 × 7e9 × 1.4e12 ≈ 5.9e22 FLOPs。A100 实测 MFU（算力利用率）约 40-50%，单卡有效算力 ~150 TFLOPs → 约 4.5 万卡时，即 512 卡跑约 4 天。

超参参考表（经验起点）

模型规模	d_model	n_layer	n_head	峰值 lr	全局 batch(token)	上下文
125M	768	12	12	6e-4	~50 万	2048
1.3B	2048	24	16	2e-4	~100 万	2048
7B	4096	32	32	3e-4	~200-400 万	4096
70B	8192	80	64	1.5e-4	~400 万	8192

规律：模型越大，lr 越小，batch 越大（大 batch 平滑梯度噪声，允许更大步长）。µP（Maximal Update Parametrization）理论允许你在小模型上调好 lr 后直接迁移到大模型。

二、分布式并行：四种维度组合

单卡放不下 7B 以上的模型，必须切分。工业界用 3D/4D 并行：

数据并行 DP：每张卡一份完整模型，切 batch      → 通信：梯度 all-reduce
张量并行 TP：把单层的矩阵乘切到多卡            → 通信最频繁，限单机 NVLink 内
流水线并行 PP：按层切分到不同卡               → 气泡问题，用 1F1B 调度缓解
序列并行 SP/CP：把超长序列切到多卡            → 长上下文（128k+）必需

ZeRO / FSDP：数据并行的显存革命

朴素 DP 每张卡都存完整的参数+梯度+优化器状态（Adam 状态下 = 16×N 字节 fp32 混合精度）。ZeRO-3 / PyTorch FSDP 把这些也切分，用时再通信聚合：

from torch.distributed.fsdp import FullyShardedDataParallel as FSDP

model = FSDP(model, sharding_strategy=ShardingStrategy.FULL_SHARD,
             mixed_precision=MixedPrecision(param_dtype=torch.bfloat16))

经验搭配：单机内 TP=8（NVLink），跨机 PP 或 DP，万卡级再加 PP。

三、训练稳定性：loss 曲线诊断手册

健康曲线

平滑下降，初期快后期慢，无尖峰。train/val gap 随数据量增大而缩小（大数据下基本无过拟合）。

常见故障

现象	可能原因	对策
loss spike（突刺）	坏 batch（脏数据）、lr 过大、bf16 下溢	梯度裁剪；跳过该 batch；spike 后回滚到上一个 checkpoint 并跳过出问题数据段
loss 平台期不降	lr 过小；数据混洗不充分；模型容量不足	升温 lr / 检查 shuffle / 扩模型
loss 发散 NaN	lr 过大；fp16 溢出；归一化缺失	降 lr 加 warmup；换 bf16；检查 Pre-Norm
grad norm 缓慢爬升	发散前兆	提前降 lr，或启用 z-loss
val loss 上升	数据重复 epoch 过多 → 过拟合	增数据 / 加 dropout / 早停

大模型特有的坑

注意力 logits 爆炸（Grok-1/PaLM 曾遇到）：加 QK-Norm（对 q、k 做归一化）或 z-loss λ·log²(Z) 抑制 softmax 分母过大。
Checkpoint 策略：每 N 步存一份 + 保留最近 K 份 + 每天永久存档；spike 后回滚是常态操作，存储系统必须扛得住并发写。
容错：千卡集群平均每天坏几张卡，训练框架要支持故障节点热替换与自动重启续训。

四、吞吐优化

单步耗时 = 计算 + 通信 + 显存换入换出

FlashAttention：必开，O(T) 显存、2-4x 加速。
算子融合 / torch.compile：RMSNorm、RoPE、SwiGLU 融合后省 kernel launch 开销。
通信重叠：梯度 all-reduce 与反向计算重叠（bucket 化）。
梯度累积：显存不够时用小 micro-batch 多步累积成一个大 batch：

accum = 8
for i, (x, y) in enumerate(loader):
    loss = model(x, y) / accum
    loss.backward()
    if (i + 1) % accum == 0:
        optimizer.step(); optimizer.zero_grad(set_to_none=True)

MFU 监控：实际 FLOPs / 理论峰值。>45% 为优秀，低于 30% 说明通信或数据加载在拖后腿。

五、训练中的评估

不能等训完才知道模型好不好。每 K 步评估：

PPL：在留出验证集上（代码、网页、论文分领域看）；
下游基准：MMLU、HellaSwag、GSM8K、HumanEval 的小样本子集；
定性探测：固定一批 prompt 看生成质量的"感觉"变化。

能力通常在 loss 的特定阈值后涌现式出现（如 GSM8K 准确率在 loss < ~1.8 后陡升），这也是 scaling 的迷人之处。

六、完整预训练 checklist

小模型 + 小数据冒烟跑通全流程（含 checkpoint 恢复）；
用 µP 或文献值确定 lr/batch；
数据打包、混洗、去污染复核；
开训前 1 天观察 loss、grad norm、吞吐、显存；
设置 spike 告警与自动回滚；
定期评估与 checkpoint 归档；
末期退火：混入高质量数据 + lr 衰减到峰值 10%。

基座模型到手后，它只会续写不会对话——进入微调与对齐。

一、规模规划：先算账再开训​

算力公式​

超参参考表（经验起点）​

二、分布式并行：四种维度组合​

ZeRO / FSDP：数据并行的显存革命​

三、训练稳定性：loss 曲线诊断手册​

健康曲线​

常见故障​

大模型特有的坑​

四、吞吐优化​

五、训练中的评估​

六、完整预训练 checklist​