摩尔线程发布SimuMax v1.1：从仿真工具升级为全栈工作流平台，助力大模型训练提效

近日，摩尔线程正式发布开源大模型分布式训练仿真工具SimuMax的1.1版本。该版本在完整继承v1.0高精度仿真能力的基础上，实现了从单一工具到一体化全栈工作流平台的重要升级，为大模型训练的仿真与调优提供系统化支持。

本次更新聚焦三大核心创新：用户友好的可视化配置界面、智能并行策略搜索，以及融合计算与通信效率建模的System-Config生成流水线。新版本同时提升了对主流训练框架Megatron-LM的兼容性，并增强了对混合并行训练中复杂通信行为的建模精度，使仿真环境更贴近真实生产场景。

SimuMax是一款专为大语言模型（LLM）分布式训练负载设计的仿真模拟工具，可为单卡到万卡集群提供仿真支持。它无需实际执行完整训练过程，即可高精度模拟训练中的显存使用和性能表现，帮助用户深入洞察训练效率，探索提升计算效能的优化途径。

平台升级：

从精准仿真到智能工作流

SimuMax v1.1在高精度仿真能力的基础上，通过以下多项功能构建了更完整、更智能的工作流：

▼智能并行策略搜索：引入策略搜索支持，自动探索并识别更优的并行化及执行策略，降低调参成本，提升训练效率；

▼系统配置生成流水线：新增系统配置文件生成流水线，包含计算效率与通信效率的刻画，以实现更真实的系统级建模；

▼增强的框架兼容性与优化：新增对Megatron-LM v0.14的支持，主要适配了新版本Moe Router的显存优化特性；

▼精细化带宽争用建模：专门优化了在专家并行（EP）/张量并行（TP）与数据并行（DP）混合场景下的节点间网络带宽竞争模拟，提升大规模集群仿真的准确性。

体验革新：

可视化界面，赋能极简操作

SimuMax v1.1引入了直观的可视化配置界面。用户通过简单交互，即可快速完成从单卡到万卡集群的训练任务定义，极大简化工作流，使工程师更专注于训练策略设计与深层性能优化，提升模型研发与调优效率。

图示：SimuMax v1.1的可视化配置界面

快速开始：

四步启动高效仿真

开发者可通过以下步骤，快速体验SimuMax：

1. 克隆仓库：

git clone git@github.com:MooreThreads/SimuMax.gitcd SimuMax

1. 安装Python包：

pip install -r requirements.txtpip install -v -e .

1. 运行示例：

   参考项目中的教程和示例（如examples/perf_llama3_8b_tp1_pp2.py），即可开始使用SimuMax进行训练仿真。

1. 启动SimuMax应用：

   开发者可以选择启动SimuMax应用，访问交互式配置界面。

cd appbash install.shstreamlit run streamlit_app.py

持续优化与生态共建

SimuMax已在GitHub全面开源，开发者可访问仓库获取源代码、详细文档和示例。摩尔线程鼓励开发者通过提交Issue报告问题或通过Pull Request贡献代码，共同促进SimuMax功能的完善和软件生态的繁荣。

▼SimuMax GitHub开源地址：

https://github.com/MooreThreads/SimuMax

▼SimuMax v1.1版本：

https://github.com/MooreThreads/SimuMax/releases/tag/v1.1

摩尔线程始终致力于为开发者提供高效、创新的软件工具链。SimuMax的发布，为大模型分布式训练提供了从可视化配置、自动化策略推荐到高精度仿真的完整工作流，助力AI产业提升算力利用率，探索更高效、更智能的训练范式。

未来，SimuMax团队将持续迭代，计划进一步扩展平台能力，包括支持ViT模型、引入大规模训练的数据并行（DP）衰减估计，以及支持计算通信重叠（TP/EP Overlap）模拟等功能，不断突破训练仿真优化的技术边界。