Pangu Ultra: Expandindo os Limites dos Modelos de Linguagem Grandes e Densos em NPUs Ascend

Pangu Ultra: Pushing the Limits of Dense Large Language Models on Ascend NPUs

April 10, 2025

Autores: Yichun Yin, Wenyong Huang, Kaikai Song, Yehui Tang, Xueyu Wu, Wei Guo, Peng Guo, Yaoyuan Wang, Xiaojun Meng, Yasheng Wang, Dong Li, Can Chen, Dandan Tu, Yin Li, Fisher Yu, Ruiming Tang, Yunhe Wang, Baojun Wang, Bin Wang, Bo Wang, Boxiao Liu, Changzheng Zhang, Duyu Tang, Fei Mi, Hui Jin, Jiansheng Wei, Jiarui Qin, Jinpeng Li, Jun Zhao, Liqun Deng, Lin Li, Minghui Xu, Naifu Zhang, Nianzu Zheng, Qiang Li, Rongju Ruan, Shengjun Cheng, Tianyu Guo, Wei He, Wei Li, Weiwen Liu, Wulong Liu, Xinyi Dai, Yonghan Dong, Yu Pan, Yue Li, Yufei Wang, Yujun Li, Yunsheng Ni, Zhe Liu, Zhenhe Zhang, Zhicheng Liu

cs.AI

Resumo

Apresentamos o Pangu Ultra, um Modelo de Linguagem de Grande Escala (LLM) com 135 bilhões de parâmetros e módulos densos de Transformer treinados em Unidades de Processamento Neural (NPUs) Ascend. Embora o campo de LLMs tenha testemunhado avanços sem precedentes na ampliação da escala e capacidade desses modelos nos últimos anos, o treinamento de um modelo em tão grande escala ainda envolve desafios significativos de otimização e sistema. Para estabilizar o processo de treinamento, propomos a normalização sanduíche escalonada em profundidade, que elimina efetivamente picos de perda durante o treinamento de modelos profundos. Pré-treinamos nosso modelo com 13,2 trilhões de tokens diversos e de alta qualidade e aprimoramos ainda mais suas capacidades de raciocínio durante o pós-treinamento. Para realizar esse treinamento em larga escala de forma eficiente, utilizamos 8.192 NPUs Ascend com uma série de otimizações de sistema. Avaliações em diversos benchmarks indicam que o Pangu Ultra avança significativamente as capacidades de estado da arte de LLMs densos, como o Llama 405B e o Mistral Large 2, e até mesmo alcança resultados competitivos com o DeepSeek-R1, cuja estrutura de modelo esparsa contém muito mais parâmetros. Nossa exploração demonstra que as NPUs Ascend são capazes de treinar modelos densos com mais de 100 bilhões de parâmetros de forma eficiente e eficaz. Nosso modelo e sistema estarão disponíveis para nossos clientes comerciais.

English

We present Pangu Ultra, a Large Language Model (LLM) with 135 billion parameters and dense Transformer modules trained on Ascend Neural Processing Units (NPUs). Although the field of LLM has been witnessing unprecedented advances in pushing the scale and capability of LLM in recent years, training such a large-scale model still involves significant optimization and system challenges. To stabilize the training process, we propose depth-scaled sandwich normalization, which effectively eliminates loss spikes during the training process of deep models. We pre-train our model on 13.2 trillion diverse and high-quality tokens and further enhance its reasoning capabilities during post-training. To perform such large-scale training efficiently, we utilize 8,192 Ascend NPUs with a series of system optimizations. Evaluations on multiple diverse benchmarks indicate that Pangu Ultra significantly advances the state-of-the-art capabilities of dense LLMs such as Llama 405B and Mistral Large 2, and even achieves competitive results with DeepSeek-R1, whose sparse model structure contains much more parameters. Our exploration demonstrates that Ascend NPUs are capable of efficiently and effectively training dense models with more than 100 billion parameters. Our model and system will be available for our commercial customers.