借助NVIDIA Megatron-Core大模型训练框架提高显存使用效率

随着模型规模迈入百亿、千亿甚至万亿参数级别，如何在有限显存中“塞下”训练任务，对研发和运维团队都是巨大挑战。NVIDIA Megatron-Core作为流行的大模型训练框架，提供了灵活高效的并行化策略；理解这些策略对显存的影响，才能更好地规划训练超参数，在不 OOM (out of memory) 的情况下尽可能提升硬件使用效率。

显存的组成与衡量方法：通过 torch 的显存可视化工具捕捉一个典型的模型训练中的显存占用。静态显存主要组成部分包括模型参数、梯度和优化器的所占用的空间，及一些其他的系统开销。设定 R 为参数重复次数，则对 bf16 训练来说每个参数占用的字节数为 6+12/R。对于Mixture of Experts (MoE)模型来说，由于 Megatron 支持 parallel folding，模型的模型会分为稠密部分和 MoE 部分，其中稠密部分的 R 为 DP*CP，MoE 部分的 R 为 EDP=n_GPU/PP/EP/ETP。

动态显存则是模型前向传播过程中暂存的中间结果，用于反向传播时计算梯度，通常被称为激活 (Activation)，绝大部分为 bf16 数据类型。

对显存影响的关键超参数：Megatron-Core 支持以下并行、重算维度，组合后可覆盖当下主流大模型训练需求。

约束关系：`n_GPU / PP = TP×CP×DP = EP×ETP×EDP`，其中 `EDP` 为专家数据并行度。

除了完全不重算的情况之外，为了降低动态显存，Megatron-Core 0.14 提供

完全重算 (full) 和细粒度重算 (selective) 这两档重算。

显存估计器的设计：当前 Megatron 基于 torch 实现，所有模块均派生自 torch.nn.Module，构成训练 GPT 类模型的模块。我们通过实现一个基类 MemEstimator 并基于此基类派生出所有需要的模块类，根据每个模块的显存占用特点分别计算其中的参数量和激活量。然后复用 Megatron 中本身构建模型的代码，实现一个 Megatron 模拟器，并可以展示出个层次的模块数据量。

关键结论：选取 Qwen3 235B 和 DeepSeek v3 两个时下流行的大模型，使用流行的配置开启训练，并对比显存估计的结果与真实的显存占用。两个模型的实际峰值与估计峰值相差均小于 2GB。

通过对动态显存分析，只有 TP 和 CP 能降低激活量，EP 和 ETP 只会改变集群内激活值的分布，无法降低激活量，PP 和 VPP 由于 1f1b 的流水线预热机制，无法有效降低峰值激活量。对每一部分激活量，可以通过卸载到 CPU 或者重算的方式来降低显存。Megatron-Core 0.13 当前对卸载的支持还在开发中，但重算已经支持。

Megatron-Core 0.13 现已支持通过 CPU 分担 optimizer 的显存占用，并可以通过超参数设置卸载到 CPU 的比例，每个参数的 6 字节 (bf16 参数，fp32 梯度) 无法卸载，其余可以卸载。

用例分析：用户目标在 32 张 80GB 显存的 GPU 上实现 Qwen3-30B-A3B 的强化学习训练，序列长度是 10k，用户使用显存估计器对并行配置进行摸底。

Megatron 开发者可以通过显存分析工具的 breakdown 视角，详细察看每个模块的激活量，通过权衡激活量和计算量寻找性价比高（激活量 / 计算量）的模块的激活为其开发进行重算或卸载功能。