9月11日消息，摩尔线程正式发布并开源大模型分布式训练仿真工具SimuMax v1.0，在显存和性能仿真精度上实现了突破性提升，同时引入多项关键功能，进一步增强了模型兼容性、灵活性。

SimuMax是一款专为大语言模型（LLM）分布式训练负载设计的仿真模拟工具，可为从单卡到万卡集群提供仿真支持。

它无需实际执行完整训练过程，即可高精度模拟训练中的显存使用和性能表现，帮助用户提前了解训练效率，优化计算效能。

基于静态分析模型，摩尔线程自研的SimuMax通过结合成本模型、内存模型和屋顶模型，实现对训练过程的精准仿真。

该工具支持多种主流分布式并行策略与优化技术，适用于以下多种应用场景：

1、并行策略：

数据并行（DP）、张量并行（TP）、序列并行（SP）、流水线并行（PP）、专家并行（EP）

2、优化技术：

ZeRO-1、完整重计算、选择性重计算、融合内核等。

3、适用对象：

希望寻找最优训练策略以提升效率的用户；

从事框架或大模型算法开发的工程师，用于优化与调试；

芯片制造商，用于性能预测与硬件设计辅助。

SimuMax 1.0最显著的更新在于其仿真精度的大幅提升，为用户提供更可靠的分析结果。

针对Dense和MoE（混合专家）模型，显存估计误差稳定控制在1%以内。

经测试，在多个主流GPU上，目前最优性能估计误差持续低于4%。

此外，SimuMax 1.0还引入了多项新特性，支持更广泛的模型结构和高效率训练需求：

MLA支持：

新增对MLA模型架构的支持；

流水线并行（PP）增强：

支持对首阶段和末阶段层的细粒度控制，优化模型分片策略；

MoE灵活性提升：

在混合专家（MoE）模型中支持自定义Dense层，为模型设计提供了更大的灵活性。

Megatron兼容：

提供简化的模型迁移流程，可轻松转换和分析基于Megatron框架的模型，提升与现有生态的互操作性。

重计算策略优化：

实现更细粒度的选择性重计算，支持更精准的内存和计算资源权衡。

全面的效率分析：

新增对不同张量形状与内存布局下计算效率与利用率的评估功能。