2024年6月3日，昆仑万维宣布开源2 千亿稀疏大模型Skywork-MoE，性能强劲， 同时推理成本更低。Skywork-MoE基于之前昆仑万维开源的Skywork-13B模型中间checkpoint扩展而来，是首个完整将MoEUpcycling 技术应用并落地的开源千亿MoE大模型，也是首个支持用单台4090服务器推理的开源千亿MoE大模型。
开源地址：
Skywork-MoE的模型权重、技术报告完全开源，免费商用，无需申请：
● 模型权重下载：
? https://huggingface.co/Skywork/Skywork-MoE-base
? https://huggingface.co/Skywork/Skywork-MoE-Base-FP8
● 模型开源仓库：https://github.com/SkyworkAI/Skywork-MoE
● 模型技术报告：https://github.com/SkyworkAI/Skywork-MoE/blob/main/skywork-moe-tech-report.pdf
● 模型推理代码：（支持8x4090服务器上8 bit量化加载推理）https://github.com/SkyworkAI/vllm
模型架构：
本次开源的Skywork-MoE模型隶属于天工3.0的研发模型系列，是其中的中档大小模型（Skywork-MoE-Medium），模型的总参数量为146B，激活参数量22B，共有16 个Expert，每个Expert大小为13B，每次激活其中的2 个Expert。
天工3.0 还训练了75B（Skywork-MoE-Small）和 400B（Skywork-MoE-Large）两档MoE模型，并不在此次开源之列。
模型能力：
我们基于目前各大主流模型评测榜单评测了Skywork-MoE，在相同的激活参数量20B（推理计算量）下，Skywork-MoE能力在行业前列，接近70B 的Dense模型。使得模型的推理成本有近3 倍的下降。同时Skywork-MoE的总参数大小比DeepSeekV2的总参数大小要小1/3，用更小的参数规模做到了相近的能力。
技术创新：
为了解决MoE模型训练困难，泛化性能差的问题，相较于Mixtral-MoE，Skywork-MoE设计了两种训练优化算法：
1. GatingLogits 归一化操作
我们在GatingLayer 的token分发逻辑处新增了一个normalization操作，使得GatingLayer 的参数学习更加趋向于被选中的top-2experts，增加MoE 模型对于top-2的置信度：
2. 自适应的AuxLoss
有别于传统的固定系数（固定超参）的aux loss，我们在 MoE训练的不同阶段让模型自适应的选择合适的aux loss超参系数，从而让DropToken Rate 保持在合适的区间内，既能做到expert分发的平衡，又能让expert学习具备差异化，从而提升模型整体的性能和泛化水平。在MoE训练的前期，由于参数学习不到位，导致DropToken Rate 太高（token分布差异太大），此时需要较大的aux loss帮助tokenload balance；在MoE训练的后期，我们希望Expert之间仍保证一定的区分度，避免Gating倾向为随机分发Token，因此需要较低的aux loss降低纠偏。
训练Infra
如何对MoE模型高效的进行大规模分布式训练是一个有难度的挑战，目前社区还没有一个最佳实践。Skywork-MoE提出了两个重要的并行优化设计，从而在千卡集群上实现了MFU 38%的训练吞吐，其中MFU 以22B的激活参数计算理论计算量。
1.Expert Data Parallel
区别于Megatron-LM社区已有的EP（ExpertParallel）和ETP（ExpertTensor Parallel）设计，我们提出了一种称之为ExpertData Parallel 的并行设计方案，这种并行方案可以在Expert数量较小时仍能高效的切分模型，对Expert引入的all2all通信也可以最大程度的优化和掩盖。相较于EP 对GPU数量的限制和ETP在千卡集群上的低效，EDP可以较好的解决大规模分布式训练MoE的并行痛点，同时EDP的设计简单、鲁棒、易扩展，可以较快的实现和验证。
一个最简单的EDP的例子，两卡情况下TP = 2，EP = 2，其中 Attention部分采用TensorParallel ，Expert部分采用ExpertParallel
2. 非均匀切分流水并行
由于firststage 的Embedding计算和laststage 的Loss计算，以及PipelineBuffer 的存在，流水并行下均匀切分Layer 时的各stage计算负载和显存负载均有较明显的不均衡情况。我们提出了非均匀的流水并行切分和重计算Layer分配方式，使得总体的计算/显存负载更均衡，约有10%左右的端到端训练吞吐提升。
比较均匀切分和非均匀切分下的流水并行气泡：对于一个24 层Layer 的LLM，(a)是均匀切分成4 个stage，每个stage 的layer数量是：[6,6, 6, 6].(b) 是经过优化后的非均匀切分方式，切成5 个stage，每个 stage的layer数量是：[5,5, 5, 5, 4] ，在中间流水打满的阶段，非均匀切分的气泡更低。
MoEKnow-how
此外，Skywork-MoE还通过一系列基于ScalingLaws 的实验，探究哪些约束会影响Upcycling和FromScratch 训练MoE模型的好坏。
一个可以遵循的经验规则是：如果训练MoE 模型的FLOPs 是训练Dense 模型的2倍以上，那么选择fromScratch 训练MoE会更好，否则的话，选择Upcycling训练MoE可以明显减少训练成本。
4090推理
Skywork-MoE是目前能在8x4090服务器上推理的最大的开源MoE模型。8x4090服务器一共有192GB 的GPU 显存，在FP8量化下（weight占用146GB），使用我们首创的非均匀TensorParallel 并行推理方式，Skywork-MoE可以在合适的batchsize 内达到2200tokens/s的吞吐。天工团队完整开源了相关的推理框架代码和安装环境，详情参见：https://github.com/SkyworkAI/Skywork-MoE
结语
我们希望本次开源的Skywork-MoE模型、技术报告和相关的实验结果可以给开源社区贡献更多的MoE 训练经验和Know-how，包括模型结构、超参选择、训练技巧、训练推理加速等各方面，探索用更低的训练推理成本训更大更强的模型，在通往AGI的道路上贡献一点力量。
