大模型訓練成本高？推理效率低？硬件適配難？

4月1日，百度發布飛槳框架3.0正式版！五大特性專為大模型設計。

作為大模型時代的Infra“基礎設施”，深度學習框架的重要性愈發凸顯，大模型訓練、推理等任務都離不開深度學習框架的優化與支撐。

飛槳框架3.0，從設計理念上實現了從底層硬件適配到頂層開發體驗的全面進化，在訓練效率、性能、兼容性等關鍵指標上建立了新標桿。

其中，“動靜統一自動并行”、“大模型訓推一體”、“科學計算高階微分”、“神經網絡編譯器”、“異構多芯適配”這五大技術新特性，系統性解決了當前大模型研發應用面臨的分布式策略開發門檻高、訓練推理效率低、硬件適配優化難等核心痛點，并為科學智能領域前沿探索提供強大支撐。

飛槳新一代框架

◎ 飛槳提出的“動靜統一自動并行”技術，大幅降低大模型開發訓練成本，讓算法創新回歸核心價值創造；

◎ “訓推一體”設計理念打破了訓練與推理的割裂狀態，通過全方位深度優化，飛槳框架3.0能夠支持眾多開源大模型進行高性能推理，并在DeepSeek V3/R1上取得了突出的性能表現。目前，飛槳框架3.0支持文心4.5、文心X1等多款主流大模型，DeepSeek-R1滿血版單機部署吞吐提升一倍。通過技術算法創新，飛槳讓低時延、高吞吐、低算力成本的推理服務成為了現實；

◎ 在科學智能領域，飛槳框架3.0錨定科學前沿探索需要，提升微分方程求解速度。通過高階自動微分和神經網絡編譯器技術，加速微分方程求解，速度比PyTorch開啟編譯器優化后的2.6版本平均快115%。飛槳還對DeepXDE、Modulus等主流開源科學計算工具進行了廣泛適配，并成為 DeepXDE的默認推薦后端。其展現的科學智能潛力在氣象預測、生命科學、航空航天等領域具有廣泛的應用價值；

◎在運算速度上，借助創新研制的神經網絡編譯器CINN，實現性能的顯著提升，在A100平臺上RMSNorm算子進行性能測試，相較于采用Python開發接口組合實現的方式，經過編譯優化后的算子運行速度提升了4倍；使用超過60個模型進行實驗，使用CINN編譯器后超60%模型有顯著性能提升，平均提升達 27.4%；

◎ 在硬件適配方面，飛槳框架3.0推出了多芯片統一適配方案，構建“一次開發，全棧部署”的生態體系。目前已適配超過60個芯片系列，覆蓋訓練集群、自動駕駛、智能終端等場景，開發者只需編寫一份代碼，就可以讓程序在不同芯片上順暢運行，輕松實現業務的跨芯片遷移。

2016年，飛槳首次開源；

2018年，發布1.0版本，訓推一體，支持大規模分布式訓練和多端推理；

2021 年，2.0 版本發布，動靜統一，兼具靈活性與高效性；

今年，飛槳框架3.0發布，專為大模型設計，五大特性系統性解決了大模型研發應用面臨的核心痛點，同時更高效支撐科學智能。

截至2024年10月，飛槳文心生態已凝聚1808萬開發者，服務了43萬家企事業單位，創建了101萬個模型。

飛槳框架3.0正式版本已面向開發者開放，并且兼容2.0版本的開發接口，歡迎廣大開發者使用和反饋~