先从一个最核心的问题说起：训练大型语言模型，本质上就是在运营一条极其复杂的工厂流水线。原材料是数据，经过一道道工序（神经网络的各个层），最终产出一个能写文章、能回答问题的AI系统。这条流水线分布在成百上千块GPU芯片上，每块芯片负责其中一段工序。

但问题的症结，恰恰就藏在这套协调机制里。

当流水线陷入“等待困境”

现实中的工厂流水线有个常见难题：如果某道工序特别慢，后面所有工序都得停下来等。AI训练也一样。传统的“同步”方式要求所有GPU完成各自计算后，必须等大家都做完，再统一更新模型参数，然后才能开始下一轮。

这段等待时间，专业上叫“流水线气泡”——就像流水线上突然出现一段空白的传送带，纯粹在浪费时间。研究团队计算发现，在实际大规模训练中，这种等待的代价相当可观。以16个流水线阶段为例，根据不同的计算假设，同步方案比完全消除气泡的理想状态慢7%到94%不等。

既然等待这么浪费，那让每段流水线自己算完就自己更新，不等别人行不行？这就是“异步”训练的核心思路。它确实彻底消灭了流水线气泡，让每块GPU随时满负荷工作。但代价是，每块GPU更新模型时用的“参考信息”（梯度）可能已经过时——这个现象叫“梯度陈旧”。

用一个日常比喻来理解：假设你和几个朋友合写一本书，每人负责不同章节。同步方式是每写完一段，所有人暂停，把彼此的修改汇总，统一更新全书风格再继续。异步方式则是每个人写完就立刻按自己当时看到的版本继续，不等别人。后者效率更高，但每个人参考的“全书现状”可能已经落后了一步。这个“落后一步”，正是异步训练长期以来未被大规模采用的主要障碍。

并非所有“过时信息”都同样糟糕

在异步训练的历史上，有一个经典方案叫PipeDream。它的做法是让每块GPU完成一次局部反向传播后，立刻更新自己那段流水线的参数。问题在于，不同阶段的GPU等待时间不同——离流水线入口近的GPU等待时间短，信息更新频繁；离出口远的等待时间长，参数更滞后。结果整条流水线里，每道工序用的都是“新旧程度不一”的陈旧信息。流水线越长，最严重的那道工序的信息就越陈旧，性能下降越明显。有研究发现，当流水线达到16个阶段时，原始PipeDream相比同步训练，验证损失上升超过0.2，这是相当严重的退步。

这项研究选择了另一个改进方案：PipeDream-2BW。它的聪明之处在于，不让每道工序算完就更新，而是等整批数据（由多个微批次组成）全部跑完一遍前向和反向传播后，所有工序才统一更新一次。只要每批数据包含的微批次数量M大于等于流水线阶段数P减一，流水线上每道工序等到的更新信息的“陈旧程度”就完全相同——都恰好落后一步。

这就把“每道工序陈旧程度参差不齐”的复杂问题，简化成了一个干净利落的问题：用落后一步的信息来更新模型，到底有多大影响？

从数学上看，这个“固定一步延迟”的训练过程可以写成：新参数 = 旧参数 - 用上一步梯度计算出的优化器更新量。流水线深度不再影响陈旧程度，这是PipeDream-2BW的关键保证。而且，这个方案只需要额外保存一份模型参数副本，在实际大规模训练中，内存开销可以忽略不计。

真正的问题：不是陈旧本身，而是用什么“工具”来应对它

这项研究最出人意料的发现或许就在这里：长期以来人们认为异步训练天然不稳定、性能下降严重，其实这个锅不该完全由“信息陈旧”来背。真正决定陈旧信息有多大危害的，是你用哪种优化器——也就是决定“如何根据梯度更新参数”的算法。

研究团队在135M参数和360M参数的语言模型上，对当前主流的多种优化器进行了系统测评。规则很简单：每个优化器都同时跑同步版本（无延迟）和异步版本（固定一步延迟），然后比较两者最终验证损失的差距。

结果令人震惊。AdamW，这个自异步流水线技术诞生以来就占据主导地位的优化器，表现极为糟糕。在360M模型上，异步训练的验证损失比同步版本高出整整0.278，训练曲线早早就偏离了正常轨道。研究人员还尝试了一种“安慰策略”——先用同步模式训练一段时间再切换到异步模式，这确实让AdamW稍微好了一点，但最终差距仍有0.046，而且在切换瞬间，训练损失会出现一个明显的尖峰，相当不稳定。

与此形成鲜明对比的是Muon这个优化器。Muon是近年来新兴的优化器，已被多个知名大规模训练项目采用，比如Kimi K2和GLM-4.5的训练。在同步训练中，Muon的表现与AdamW旗鼓相当；但在异步训练中，Muon的损失差距只有0.012，而且无需任何特殊处理。

除了Muon，研究团队还测试了Adan、NorMuon、AdaMuon、SOAP、Lion等优化器，以及MARS和NAdam。结果显示，严重退步的优化器只有AdamW和MARS，其余大多数现代优化器都表现出相当强的陈旧鲁棒性，最终损失差距普遍在0.03以内。其中，Adan在控制损失差距方面表现最佳，这与它使用了极高的一阶动量系数（β₁=0.98）密切相关。SOAP能够保持较好表现，研究人员认为可能与它使用了矩阵基变换有关——这一发现与同期另一项来自首尔大学的独立研究结论相互印证。

动量：抵抗陈旧的秘密武器

研究团队没有满足于记录哪些优化器表现好、哪些表现差，而是深挖背后的原因，进行了大量超参数敏感性实验。他们一次调整一个参数，观察它对“同步与异步之间的损失差距”有什么影响，覆盖了学习率、权重衰减、动量衰减系数、二阶矩系数、预热步数、梯度裁剪阈值和学习率调度器等众多设置。

在所有超参数中，有一个表现出了跨优化器一致的、清晰的规律：动量衰减系数。在AdamW这类优化器里，这个系数通常叫β₁；在Muon类优化器里，通常叫μ。它控制的是“历史梯度信息”在当前更新中占多大比重。用物理比喻来说，动量就像一个滑行中的球，不会因为突然遇到一块小石头就立刻改变方向，而是继续沿着大致方向滑行，只是稍微受到影响。动量系数越大，球越“重”，越不容易被当前时刻的单次梯度影响。

研究发现，对所有测试的优化器而言，提高动量系数都能一致地缩小同步与异步之间的损失差距。这背后的直觉很合理：当你使用的梯度信息已经落后一步时，你对“当前这一步的信息”的依赖越少越好。高动量让优化器更多地依赖历史积累的方向感，而不是单次的、可能已经不再准确的梯度方向，从而自然地抵消了陈旧带来的噪声。

这也解释了为什么AdamW特别脆弱：它在正常情况下最优的β₁值是0.9，但这个值远不足以应对陈旧。如果强行把β₁调到0.99，AdamW的异步性能确实会改善，但同步性能也会跟着崩掉——在同步训练中，β₁=0.99的AdamW表现远差于β₁=0.9的版本（损失从2.877变成2.939）。这意味着AdamW没有足够宽的“最优动量区间”来同时兼顾同步稳定性和异步鲁棒性。而Muon的工作原理使得它天然处于高动量运作模式，且这个模式既适合同步训练，也适合异步训练，两者兼得。

其他超参数方面，学习率、权重衰减和预热长度的效果与直觉基本一致：更激进的设置（大学习率、短预热、极端的权重衰减）会放大不稳定性，而延迟进一步放大了这种不稳定性，因此适度保守的超参数设置通常能缩小异步差距。梯度裁剪和学习率调度器的选择则几乎没有系统性影响。批量大小是个特殊情况：减小批量大小可以大幅缩小差距，但这与硬件利用率直接挂钩，在实际大规模训练中往往不是自由变量，且极小的批量大小对同步训练本身也不是最优选择。

进一步弥补差距：误差反馈校正机制

即便Muon在异步场景下已经相当稳健，研究团队仍然希望把那剩余的0.012差距进一步压缩。他们尝试了几种策略。

先说失败的尝试。基于Taylor展开的延迟补偿方法（DC-ASGD）在理论上很优雅，思路是用当前梯度和参数变化量来近似估计“如果用新梯度会得到什么结果”，然后补偿这个差值。但在实际的大型语言模型训练中，梯度的量级约为10⁻⁴，参数更新量约为10⁻⁵，两者的乘积实在太小，校正项几乎可以忽略不计。研究团队把补偿系数从10⁻³一路扩大到10⁻¹，小值完全没有效果，大值反而破坏训练。同步冷却策略（训练快结束时切换回同步模式）也只带来了可以忽略不计的微小改善。

真正有效的方案，是一种受“误差反馈”思想启发的更新级别校正机制。误差反馈最早在数据压缩领域被提出：当你必须传输一个有损压缩的信号时，把“这次压缩损失了多少信息”记录下来，下次传输时把这个欠账补上，这样积累的误差就不会越来越大。

研究团队将这个思路迁移到延迟梯度场景中。在第t步，标准异步训练使用的是第t-1步的旧更新量。但换个角度看，这个旧更新量恰好是第t-1步缺失的信息——在第t-1步，算法实际用的是第t-2步的更新量，而本应该用第t-1步的更新量。两者之差，就是上一步欠下的“债”。把这笔债加到当前步的更新里，就得到了校正后的更新公式：新参数 = 旧参数 - 2×（当前旧更新量）+（上上步旧更新量）。

这个公式实现起来非常简单，只需要额外存储一份模型大小的缓冲区——在分布式训练中，这是每块GPU上的局部模型分片，实际内存开销很小。实验结果显示，这个校正方法对大多数优化器都有一致的帮助。对于Muon，它把0.012的差距进一步压缩到了0.005，恢复了约71%的剩余差距。SOAP的差距从0.027降到了0.009，恢复了约67%。即便是表现最差的AdamW，校正后也恢复了约90%的损失差距，从2.890降到了2.640（同步基线是2.612）。唯一有轻微负面效果的是Adan和NAdam，但幅度很小。

研究团队还测试了把这个校正系数设为不同数值（从0到3）的效果，发现存在一个U形关系，默认值1附近就是大多数优化器的最优区间，因此在所有实验中统一使用默认值1，不引入额外的调优负担。

值得一提的是，研究团队后来发现这个方法与另一篇来自数据并行领域的工作SAPipe-WP在数学上有深度关联。SAPipe-WP从“预测下一步参数位置”的角度出发，推导出了本质上相同的参数位移量。两个来自不同系统背景的研究殊途同归，这从侧面印证了这个校正方法的合理性。

理论保障：为什么这套方法不只是“碰巧有效”

除了实验验证，研究团队还为这套方法提供了理论收敛性保证，这是针对LMO（线性最小化预言机）类算法在梯度延迟下的首个理论分析。

Muon优化器的工作方式可以被纳入“非欧几里得信赖域”框架来理解。具体来说，它在每步求解一个约束优化问题：在当前参数的某个“邻域”内，找到最能降低目标函数的方向。这个过程使用的是算子范数和核范数，而不是普通的欧几里得距离，这就是它与普通梯度下降最根本的区别。

研究团队证明了，在这个框架下，带有一步梯度延迟的Muon仍然会收敛。与无延迟版本相比，收敛保证中多出来的代价项与延迟相关，但只要选择适当的学习率和动量参数，这个额外代价可以保持在可控范围内。带有误差反馈校正的版本同样有收敛保证，校正式版本的代价项包含一个与延迟步数成比例增长的因子，但这符合直觉：校正操作引入了更多的参数历史信息，需要更宽松的条件来保证收敛。

这些理论结果的意义在于，它们告诉研究者和工程师：使用Muon加上误差反馈进行异步训练，不是在赌运气，而是有严格数学保证的稳健方案。

真正的考验：在百亿参数模型上的实战验证

从理论和小模型实验走向大规模实战，是完全不同的挑战。研究团队首先在一个20亿参数（其中5亿活跃参数）的MoE（混合专家）模型上进行了验证，训练规模从500亿到2000亿个token不等。

MoE模型是一种特殊的大模型架构，每次处理数据时只激活模型中的一小部分“专家”模块，其余部分处于休眠状态。这种架构在降低计算量的同时，维持了超大规模的参数量，是当前最先进大模型（如DeepSeek-V3）的核心技术之一。由于MoE层大幅增加了各GPU之间的通信开销，流水线并行对MoE模型的价值比对普通模型更大，消除流水线气泡的收益也更为显著。

在2B模型的实验中，研究团队关注了一个关键问题：随着训练时间越来越长、模型越来越接近收敛，梯度陈旧带来的危害会不会越来越大？一步之差在训练初期可能无所谓，但在模型已经相当优秀、每一步都需要非常精确的梯度信息时，这一步延迟会不会成为致命伤？

实验结果令人宽心：从500亿到2000亿token，同步训练曲线和异步训练曲线始终保持近乎平行的走势，两者之间的差距没有随训练深入而扩大。误差反馈在每个训练阶段都稳定地恢复了大部分剩余差距。

随后，研究团队将挑战推进到了100亿参数的MoE模型，这是他们实验条件下最大的验证规模。这个模型采用了受Qwen3启发的混合架构，结合了标准注意力机制和一种叫做“门控Delta网络”的线性注意力机制，规模达到512个专家、top-10路由，在2000亿token上训练，批量大小400万token。

最终结果如图1所示：标准异步训练的验证损失为1.911，而同步基线为1.906，差距只有0.005。加上误差反馈之后，异步训练的验证损失降至1.906，与同步基线完全持平，且使用了完全相同的超参数，无需任何针对异步模式的特殊调整。

研究团队还在八个下游任务基准上（包括常识推理、问答、语言理解等）对三个版本的模型进行了评估，结果同样显示异步+误差反馈版本与同步版本的表现几乎无法区分，验证了相同的验证损失确实对应相同的实际能力，而不只是数字上的巧合。研究团队指出，100亿参数规模的实验使用的批量大小略大于理论最优值，这理论上对异步训练不利——因为每个token预算内的优化步数更少，从梯度陈旧中恢复的机会也更少。换言之，真实场景中的效果很可能比实验数字显示的还要好一些。

与原始PipeDream方案的正面对比

既然已经证明了PipeDream-2BW加上合适的优化器可以近乎无损地进行异步训练，研究团队还做了一个很有价值的对比实验：用找到的这些鲁棒优化器去跑原始PipeDream方案（即每道工序各自更新、延迟程度参差不齐），看看是优化器的改进能弥补可变延迟的问题，还是固定延迟的调度方案本身更重要。

实验在4个、8个、16个流水线阶段下分别测试了Muon（两种动量设置）、SOAP和NAdam。结果非常清晰：在浅层流水线（4个阶段）时，Muon加上μ=0.99和误差反馈，可以把损失差距压缩到2.840，与同步基线2.841几乎持平，SOAP也能达到与基线相差无几的水平。然而当流水线加深到16个阶段时，所有方案都显著退步，即便是表现最好的组合（Muon，μ=0.99，加误差反馈），损失差距也超过了0.03。

这个结果给出了一个清晰的结论：鲁棒优化器和误差反馈可以让原始PipeDream在浅层流水线下勉强可用，但无法从根本上解决其可变延迟随流水线深度扩大的内在问题。在深层流水线场景下，固定延迟的PipeDream-2BW调度方案本身就是必要条件，不是可以用更好的优化器绕开的。

附录中还讨论了另一种叫WPipe的混合调度方案。这种方案适用于一块GPU上可以运行多个逻辑流水线阶段的场景，它让模型后半部分完全无延迟，只有前半部分承受一步延迟，相当于把延迟压力对半减轻。实验显示，WPipe在Muon和SOAP上都能进一步小幅改善异步性能，且同样受益于误差反馈。研究团队认为，在系统条件允许的情况下，WPipe是比PipeDream-2BW更优的实践选择，但两者在优化器层面的结论完全一致。

归根结底，这项研究讲述的是一个关于“用对工具”的故事。流水线并行异步训练的性能问题，长期以来被归咎于“梯度陈旧本身是个无法克服的物理障碍”。但当研究团队换掉那个在异步场景下天然脆弱的AdamW，选用Muon这类动量特性更强的优化器，再配合一个简单的误差累积补偿机制，一步延迟带来的性能损失就几乎消失了。在一个百亿参数的实际大模型训练中，这套方案让异步训练和同步训练达到了完全相同的最终效果，同时彻底消除了流水线等待气泡。

这对AI基础设施的意义不难理解：消除气泡意味着同样的硬件能在相同时间内完成更多有效计算，或者说用更少的时间训练出同样好的模型。在当前大型模型训练动辄耗费数百到数千万美元的背景下，这绝不是一个可以忽视的改进空间。

当然，这项研究也留下了一些尚未解开的谜题。高动量为什么能抵御梯度陈旧，目前只有直觉上的解释，缺乏严格的机理分析。批量大小与延迟的交互关系只在135M模型上做了细致测试，在更大规模模型上的规律还有待探索。WPipe调度方案也只在有限的附录实验中间出现，其完整潜力尚未充分发掘。对万亿token训练规模下的行为验证，同样是未来研究的重要方向。

对普通的AI研究爱好者而言，这项工作传递的信息是：训练AI的效率问题，很大程度上是一个“工具与方法匹配”的问题，而不是一个纯粹的物理限制问题。有兴趣深入了解的读者可以通过arXiv编号2606.30634检索到完整论文，或者在ICML 2026的论文集（PMLR 306）中找到这篇研究。

Q&A

Q1：PipeDream-2BW与原始PipeDream在异步训练中的核心区别是什么？

A：原始PipeDream让每道流水线工序算完就各自更新参数，导致不同工序的梯度陈旧程度参差不齐，流水线越深问题越严重。PipeDream-2BW则要求等整批数据全部完成前向和反向传播后，所有工序才统一更新一次，这样无论流水线多深，每道工序的参数都只落后整整一步，陈旧程度完全相同。这个“固定一步延迟”的特性，是让异步训练在深层流水线下保持稳定的关键前提。

Q2：Muon优化器为什么比AdamW更能抵抗梯度陈旧？

A：核心原因在于动量特性。Muon天然工作在高动量模式下，让每步更新更多依赖历史积累的方向感，而不是单次可能已经过时的梯度。AdamW的最优动量系数约为0.9，这个值在正常训练中效果很好，但面对延迟梯度时抵御能力不足；如果强行把AdamW的动量调高，它在同步训练中的性能反而会大幅下降。Muon没有这个两难困境，它的高动量模式对同步和异步训练都是最优的。

Q3：误差反馈校正方法在实际使用中有什么额外的代价？

A：误差反馈方法需要额外存储一份与模型大小相当的缓冲区，用于记录上一步的更新量。在分布式训练中，这个缓冲区只存储在每块GPU负责的局部模型分片上，而不是整个模型，实际内存开销非常小。研究团队在实际的100亿参数实验中测量，误差反馈带来的总额外内存消耗不超过1.5GB，不到单块80GB GPU显存的2%。计算方面几乎没有额外开销，只需多保存和引用一个之前已经计算过的更新量。