微软推出专为大语言模型训练定制的 FP8 混合精度训练框架，比 BF16 快 64%

据 IT 之家 11 月 10 日报道，为了提高处理速度，降低内存使用量和通信成本，来自 Microsoft Azure 和 Microsoft Research 的一组研究人员推出了一个高效的 FP8 混合精度框架，专为大语言模型（LLM）训练量身定制。 微软引入了三个优化阶段，利用 FP8 进行分布式和混合精度训练。随着这些层级的进展，FP8 集成程度的提高变得明显，这表明对 LLM 训练过程的影响更大。 微软经过测试，与广泛采用的 BF16 混合精度方法相比，内存占用减少 27% 至 42%，权重梯度通信开销显著降低 63% 至 65%。运行速度比广泛采用的 BF16 框架（例如 Megatron-LM）快了 64%，比 Nvidia Transformer Engine 的速度快了 17%。在训练 GPT-175B 模型时，混合 FP8 精度框架在 H100 GPU 平台上节省 21% 的内存，而且相比较 TE（Transformer Engine），训练时间减少 17%。