Pré-treinamento de Grandes Modelos de Linguagem com NVFP4

Pretraining Large Language Models with NVFP4

September 29, 2025

Autores: 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

Resumo

Os modelos de linguagem de grande escala (LLMs, na sigla em inglês) atuais são poderosos solucionadores de problemas em diversos domínios e continuam a se fortalecer à medida que escalam em tamanho de modelo, tamanho do conjunto de treinamento e qualidade do conjunto de treinamento, conforme demonstrado por extensas pesquisas e experimentações em toda a indústria. Treinar um modelo de ponta hoje requer da ordem de dezenas a centenas de yottaflops, o que representa um investimento massivo de tempo, capacidade computacional e energia. Portanto, melhorar a eficiência do pré-treinamento é essencial para viabilizar a próxima geração de LLMs ainda mais capazes. Embora o treinamento em ponto flutuante de 8 bits (FP8) seja amplamente adotado atualmente, a transição para precisões ainda mais estreitas, como o ponto flutuante de 4 bits (FP4), poderia desbloquear melhorias adicionais em velocidade computacional e utilização de recursos. No entanto, a quantização nesse nível apresenta desafios para a estabilidade do treinamento, convergência e implementação, especialmente para modelos de grande escala treinados em horizontes longos de tokens. Neste estudo, introduzimos uma abordagem inovadora para o treinamento estável e preciso de modelos de linguagem de grande escala (LLMs) utilizando o formato NVFP4. Nosso método integra transformadas de Hadamard aleatórias (RHT) para limitar outliers em nível de bloco, emprega um esquema de quantização bidimensional para representações consistentes tanto na passagem direta quanto na passagem reversa, utiliza arredondamento estocástico para estimativa imparcial de gradientes e incorpora camadas seletivas de alta precisão. Validamos nossa abordagem treinando um modelo de 12 bilhões de parâmetros em 10 trilhões de tokens — o treinamento mais longo documentado publicamente em precisão de 4 bits até o momento. Nossos resultados mostram que o modelo treinado com nossa técnica de pré-treinamento baseada em NVFP4 alcança perda de treinamento e acurácias em tarefas subsequentes comparáveis a uma linha de base em FP8. Esses achados destacam que o NVFP4, quando combinado com nossa abordagem de treinamento, representa um grande avanço nos algoritmos de treinamento de LLMs em precisão estreita.

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.