6 月 30 日，百度智能云宣布其旗下的 AI 计算平台百度百舸，已经针对 NVIDIA 最新开源的全模态世界模型 Cosmos 3，完成了一次系统性的 AI Infra 工程优化。这次优化的结果相当亮眼：在不依赖 NVLink 与 HPN 的情况下，基于国内主流 GPU，Cosmos3-Nano-Policy-DROID 训练启动速度提升了 89 倍，单机吞吐提升了 99.3%，MFU 达到了 0.42，直接超过了官方论文中 GB200 集群 0.23-0.3 的基准；而 12 节点的扩展效率也达到了 98.3%，集群算力得到了充分释放。 从“能跑”到“好用”：工程优化为什么是绕不开的一步 Cosmos 3 是目前具身智能后训练阶段的核心基座模型之一，它的 Nano-Policy-DROID 版本在机器人领域尤其受关注。不过，官方论文里给出的训练环境，是基于 1024 张 NVIDIA GB200 GPU 的超大规模集群，并且依赖 NVLink 与 HPN 来实现高效扩展。说实话，这对国内大多数企业和研究机构来说，门槛确实有点高。所以，怎么在通用的 AI 算力环境下，充分释放模型训练的性能，就成了能否落地应用的关键问题。 为了解决这个难题，百度智能云从数据加载、I/O 流水线、显存利用、编译优化到多机扩展，一个环节一个环节地排查，系统地解决了社区版本在生产环境中会碰到的性能瓶颈。更重要的是，他们还针对国内主流 GPU 的特性，进一步挖掘和释放了训练潜力。 五大核心优化成果 **任务启动优化**：社区代码在加载 Cosmos3-DROID 数据集时，因为读取了冗余字段，导致峰值内存一度飙到 1734 GB，直接把 8 卡训练任务给“撑死”了。百度智能云通过 Parquet 列裁剪和数据拷贝路径重构，把启动时间从 37.2 分钟压缩到了 25 秒，峰值内存也降到 46 GB，降幅高达 97%。 **I/O 吞吐瓶颈突破**：通过 profiling 定位发现，ColorJitter（图像数据增强）这个操作占了 CPU 端 78.5% 的耗时，这才是 GPU 长时间空闲等待的根源。于是，他们把 ColorJitter 算子从 CPU 迁移到 GPU 上执行，单样本数据处理时间从 2.12 秒直接降到 0.52 秒，训练吞吐提升了 50%。 **torch.compile 适配**：社区默认的算子融合策略，超出了国内主流 GPU 的 Shared Memory 资源限制，导致编译功能直接失效。百度智能云通过调整配置，禁用了 mix-order reduction 策略，成功解锁了编译加速，训练吞吐再次提升 28.6%。 **分层 Activation Checkpointing**：社区默认对所有 36 层 Transformer 开启 Full AC，这其实是在浪费显存。百度智能云开发了分层 AC（Layer-wise AC）策略，在显存占用和重算开销之间找到了一个更优的平衡点，吞吐提升了 3.1%。 **多机集群扩展**：依托百度百舸的弹性 RDMA 互联（ERI）网络，配合 HSDP 并行策略和精细的计算通信 Overlap 调优，12 节点（96 卡）的扩展效率达到了 98.3%，支撑起了训练资源的多样化布局。 精度无损，MFU 超越旗舰基准 值得一提的是，所有这些优化都是精确等价变换或 Pipeline 优化。从 Loss 曲线对比来看，优化后的版本与官方 Baseline 的收敛趋势完全一致。最终，在百度智能云实例上的 MFU 达到了 0.42，超过了官方论文中基于 GB200 集群的 0.23-0.3 基准。 持续深耕具身智能训推加速 目前，除了 Cosmos 3，百度智能云在具身智能场景下，已经交付了 OpenPI、DreamZero、GR00T N1.6、Lingbot-VLA、Motus、AHA-WAM、FastWAM、Wan2.2 等多个模型的训推加速成果。百度智能云也明确表示，这次优化只是释放 Cosmos 3 性能的第一步，后续还会在集群层面，通过计算资源与模型结构的协同设计，进一步挖掘集群潜力、降低训练成本。