Pre-addestramento di Modelli Linguistici di Grandi Dimensioni con NVFP4

Pretraining Large Language Models with NVFP4

September 29, 2025

Autori: 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

Abstract

I Large Language Model (LLM) di oggi sono potenti risolutori di problemi in molti domini e continuano a diventare più forti man mano che aumentano di dimensioni del modello, dimensioni del set di addestramento e qualità del set di addestramento, come dimostrato da ricerche e sperimentazioni estese in tutto il settore. Addestrare un modello all'avanguardia oggi richiede dell'ordine di decine o centinaia di yottaflop, che rappresentano un investimento massiccio in termini di tempo, capacità di calcolo ed energia. Migliorare l'efficienza del pre-addestramento è quindi essenziale per abilitare la prossima generazione di LLM ancora più capaci. Sebbene l'addestramento in virgola mobile a 8 bit (FP8) sia ora ampiamente adottato, il passaggio a una precisione ancora più stretta, come la virgola mobile a 4 bit (FP4), potrebbe sbloccare ulteriori miglioramenti nella velocità computazionale e nell'utilizzo delle risorse. Tuttavia, la quantizzazione a questo livello pone sfide alla stabilità dell'addestramento, alla convergenza e all'implementazione, in particolare per modelli su larga scala addestrati su orizzonti di token lunghi. In questo studio, introduciamo un approccio innovativo per l'addestramento stabile e accurato di grandi modelli linguistici (LLM) utilizzando il formato NVFP4. Il nostro metodo integra le trasformate di Hadamard casuali (RHT) per limitare gli outlier a livello di blocco, impiega uno schema di quantizzazione bidimensionale per rappresentazioni coerenti sia nelle fasi di forward che di backward, utilizza l'arrotondamento stocastico per una stima imparziale del gradiente e incorpora strati selettivi ad alta precisione. Convalidiamo il nostro approccio addestrando un modello da 12 miliardi di parametri su 10 trilioni di token — il ciclo di addestramento più lungo documentato pubblicamente in precisione a 4 bit fino ad oggi. I nostri risultati mostrano che il modello addestrato con la nostra tecnica di pre-addestramento basata su NVFP4 raggiunge una perdita di addestramento e accuratezze nei task downstream comparabili a una baseline FP8. Questi risultati evidenziano che NVFP4, combinato con il nostro approccio di addestramento, rappresenta un passo avanti significativo negli algoritmi di addestramento di LLM a precisione stretta.

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.