Vorabtraining großer Sprachmodelle mit NVFP4

Pretraining Large Language Models with NVFP4

September 29, 2025

papers.authors: NVIDIA, Felix Abecassis, Anjulie Agrusa, Dong Ahn, Jonah Alben, Stefania Alborghetti, Michael Andersch, Sivakumar Arayandi, Alexis Bjorlin, Aaron Blakeman, Evan Briones, Ian Buck, Bryan Catanzaro, Jinhang Choi, Mike Chrzanowski, Eric Chung, Victor Cui, Steve Dai, Bita Darvish Rouhani, Carlo del Mundo, Deena Donia, Burc Eryilmaz, Henry Estela, Abhinav Goel, Oleg Goncharov, Yugi Guvvala, Robert Hesse, Russell Hewett, Herbert Hum, Ujval Kapasi, Brucek Khailany, Mikail Khona, Nick Knight, Alex Kondratenko, Ronny Krashinsky, Ben Lanir, Simon Layton, Michael Lightstone, Daniel Lo, Paulius Micikevicius, Asit Mishra, Tim Moon, Deepak Narayanan, Chao Ni, Abhijit Paithankar, Satish Pasumarthi, Ankit Patel, Mostofa Patwary, Ashwin Poojary, Gargi Prasad, Sweta Priyadarshi, Yigong Qin, Xiaowei Ren, Oleg Rybakov, Charbel Sakr, Sanjeev Satheesh, Stas Sergienko, Pasha Shamis, Kirthi Shankar, Nishant Sharma, Mohammad Shoeybi, Michael Siu, Misha Smelyanskiy, Darko Stosic, Dusan Stosic, Bor-Yiing Su, Frank Sun, Nima Tajbakhsh, Shelby Thomas, Przemek Tredak, Evgeny Tsykunov, Gandhi Vaithilingam, Aditya Vavre, Rangharajan Venkatesan, Roger Waleffe, Qiyu Wan, Hexin Wang, Mengdi Wang, Lizzie Wei, Hao Wu, Evan Wu, Keith Wyss, Ning Xu, Jinze Xue, Charlene Yang, Yujia Zhai, Ruoxi Zhang, Jingyang Zhu, Zhongbo Zhu

cs.AI

papers.abstract

Große Sprachmodelle (LLMs) sind heute leistungsstarke Problemlöser in vielen Bereichen und werden kontinuierlich stärker, indem sie in Modellgröße, Trainingsdatensatzgröße und Trainingsdatensatzqualität skaliert werden, wie umfangreiche Forschung und Experimente in der Branche zeigen. Das Training eines Spitzenmodells erfordert heute in der Größenordnung von zehn bis hundert Yottaflops, was einen enormen Aufwand an Zeit, Rechenleistung und Energie darstellt. Die Verbesserung der Effizienz des Vortrainings ist daher entscheidend, um die nächste Generation noch leistungsfähigerer LLMs zu ermöglichen. Während das Training mit 8-Bit-Gleitkommazahlen (FP8) mittlerweile weit verbreitet ist, könnte der Übergang zu noch geringerer Präzision, wie 4-Bit-Gleitkommazahlen (FP4), zusätzliche Verbesserungen in der Rechengeschwindigkeit und Ressourcennutzung ermöglichen. Die Quantisierung auf diesem Niveau stellt jedoch Herausforderungen an die Trainingsstabilität, Konvergenz und Implementierung, insbesondere für großskalige Modelle, die auf langen Token-Horizonten trainiert werden. In dieser Studie stellen wir einen neuartigen Ansatz für das stabile und präzise Training großer Sprachmodelle (LLMs) unter Verwendung des NVFP4-Formats vor. Unser Verfahren integriert Random-Hadamard-Transformationen (RHT), um Block-Level-Ausreißer zu begrenzen, verwendet ein zweidimensionales Quantisierungsschema für konsistente Darstellungen sowohl im Vorwärts- als auch im Rückwärtsdurchlauf, nutzt stochastisches Runden für eine unverzerrte Gradientenschätzung und beinhaltet selektive Hochpräzisionsschichten. Wir validieren unseren Ansatz, indem wir ein Modell mit 12 Milliarden Parametern auf 10 Billionen Token trainieren – den längsten öffentlich dokumentierten Trainingslauf in 4-Bit-Präzision bis heute. Unsere Ergebnisse zeigen, dass das Modell, das mit unserer NVFP4-basierten Vortrainingsmethode trainiert wurde, Trainingsverluste und Genauigkeiten bei nachgelagerten Aufgaben erreicht, die mit einem FP8-Baseline vergleichbar sind. Diese Ergebnisse verdeutlichen, dass NVFP4 in Kombination mit unserem Trainingsansatz einen bedeutenden Fortschritt in der Entwicklung von Algorithmen für das Training von LLMs mit geringer Präzision darstellt.

English

Large Language Models (LLMs) today are powerful problem solvers across many domains, and they continue to get stronger as they scale in model size, training set size, and training set quality, as shown by extensive research and experimentation across the industry. Training a frontier model today requires on the order of tens to hundreds of yottaflops, which is a massive investment of time, compute, and energy. Improving pretraining efficiency is therefore essential to enable the next generation of even more capable LLMs. While 8-bit floating point (FP8) training is now widely adopted, transitioning to even narrower precision, such as 4-bit floating point (FP4), could unlock additional improvements in computational speed and resource utilization. However, quantization at this level poses challenges to training stability, convergence, and implementation, notably for large-scale models trained on long token horizons. In this study, we introduce a novel approach for stable and accurate training of large language models (LLMs) using the NVFP4 format. Our method integrates Random Hadamard transforms (RHT) to bound block-level outliers, employs a two-dimensional quantization scheme for consistent representations across both the forward and backward passes, utilizes stochastic rounding for unbiased gradient estimation, and incorporates selective high-precision layers. We validate our approach by training a 12-billion-parameter model on 10 trillion tokens -- the longest publicly documented training run in 4-bit precision to date. Our results show that the model trained with our NVFP4-based pretraining technique achieves training loss and downstream task accuracies comparable to an FP8 baseline. These findings highlight that NVFP4, when combined with our training approach, represents a major step forward in narrow-precision LLM training algorithms.