跳转至

笔记

  • 分类于 Thinking
  • 需要 2 分钟阅读时间

IPD Q&A

导言

  • IPD 流程在 AI 里过于厚重和低效，所以华为AI产品线的IPD流程已经进化了：工作内容和方向已经支持灵活的随时变化了，但是需求只落小范围的，确定的，快做完的东西，来应付人力分配说明流程。
  • IPD流程貌似更强调流程，弱化个人影响。甚至还有三个臭皮匠顶个诸葛亮的说法。在AI研究领域或者其他领域这方法对吗？公司应该花大价钱招一个强人，还是招多个能力稍差的人
  • IPD关于培养人才梯队还有独特的观点：高手的能力是可以被拆解复制的，被下面的人继承。但是这一方面涉及到老师愿不愿意教、会不会教；也涉及到学生愿不愿意学，学得会吗？就好像清华毕业生也不是能量产一班的清华高考生。
  • 分类于 Thinking
  • 需要 1 分钟阅读时间

Money Maker ideas

导言

工作之后，技术其实不是最重要的，如何商业变现才是最重要的（如何多赚钱，持续赚钱，健康增长赚钱），设计好的商业模式是最重要的。

例如，Ascend做什么开源仓，除了考虑社区技术趋势，只要客户买卡，哪怕客户的框架是自娱自乐，我们也会无条件支持。

  • 分类于 Overview
  • 需要 1 分钟阅读时间

QCC：Quality Control Circle

导言

QCC（Quality Control Circle, 质量控制小组）：由一小群员工组成的团队，定期开会以识别、分析和解决与工作相关的质量问题。起源于日本，广泛应用于制造业、医疗保健和服务行业。

也被用在华为的开发流程中，用于发现问题，分析、设计并解决问题，最后落回版本能力。

  • 分类于 AI
  • 需要 1 分钟阅读时间

SGLang

导言

  • SGLang ， 24年1月开源，这是一个由 LMSYS Org 团队开发的、面向大语言模型（LLM）和视觉语言模型（VLM）的高性能、开源通用服务引擎。
  • 性能更加惊艳。在运行 Llama 3.1 405B 时，它的吞吐量和延迟表现都优于 vLLM 和 TensorRT-LLM，甚至能达到 TensorRT-LLM 的 2.1 倍，vLLm 的 3.8 倍。
  • 业界 xAI 的 Grok2 目前已采用 SGLang 作为其 LLM 推理引擎， 显著提升了分析信息和输出响应速度。Microsoft Azure 使用 SGLang。
  • 分类于 AI
  • 需要 1 分钟阅读时间

DiffSynth & ms-swift

导言

DiffSynth-Studio 是由魔搭社区（ModelScope, 阿里2022年11月开源的模型社区）算法工程师段忠杰主导开发的开源扩散模型引擎，致力于构建统一的 Diffusion 模型生态。该项目支持多种主流文生图/文生视频模型（如 Stable Diffusion、可图、CogVideoX），并兼容 ControlNet、LoRA、IP-Adapter 等生态模型，显著提升中文场景下的生成能力。1

ms-swift3是魔搭社区提供的大模型与多模态大模型微调部署框架，现已支持600+纯文本大模型与300+多模态大模型的训练（预训练、微调、人类对齐）、推理、评测、量化与部署。

  • 其中大模型包括：Qwen3、Qwen3-Next、InternLM3、GLM4.5、Mistral、DeepSeek-R1、Llama4等模型，
  • 多模态大模型包括：Qwen3-VL、Qwen3-Omni、Llava、InternVL3.5、MiniCPM-V-4、Ovis2.5、GLM4.5-V、DeepSeek-VL2等模型。

除此之外，ms-swift汇集了最新的训练技术，包括集成

  • Megatron并行技术，包括TP、PP、CP、EP等为训练提供加速，
  • 以及众多GRPO算法族强化学习的算法，包括：GRPO、DAPO、GSPO、SAPO、CISPO、RLOO、Reinforce++等提升模型智能。
  • DPO、KTO、RM、CPO、SimPO、ORPO等偏好学习算法，
  • 以及Embedding、Reranker、序列分类任务。

ms-swift提供了大模型训练全链路的支持，包括使用

  • vLLM、SGLang和LMDeploy对推理、评测、部署模块提供加速，
  • 以及使用GPTQ、AWQ、BNB、FP8技术对大模型进行量化。
  • 分类于 AI
  • 需要 1 分钟阅读时间

VeOmni

导言

VeOmni 是字节跳动与火山引擎联合研发的 统一多模态训练框架，核心目标是解决多模态模型（如 DiT、LLM、VLM、视频生成模型）训练中的碎片化问题，实现 “统一多模态、统一并行策略、统一算力底座”。其经过千卡级真实训练任务验证，支持从百亿级语言模型到 720P 视频生成模型的全流程训练。1

  • 分类于 Tutorials
  • 需要 7 分钟阅读时间

Pip Cache

导言

VeRL场景开发时，安装包特别多和复杂：

  1. CANN
  2. torch\torch_npu
  3. vllm\vllm_ascend
  4. MindSpeed\megatron
  5. transformer

开发时还要pip install -e . 还要修改代码。

传统的思路是docker镜像或者conda打大包，但是这种包一个就是20GB+，但是这是商发时的策略，开发时即使只是修改一行，但是还是要重新出一个20GB大包。

思路是借助并加速pip的原子化构建：

  • 在内网服务器上建立一个pip包缓存站，
  • 不仅能缓存官方包，
  • 自己修改的代码包也能提交。
  • 最终实现，除了CANN安装，其余pip包，一行pip intall -r requirements.txt就行。