没有一个大模型可以一统天下。

这，或许已经成为了AI大模型时代行业里的一个共识。

在如此背景之下，面对众多且日新月异的主流大模型和AI技术，如何能在一个框架、生态下去体验，却成了开发者们“老大难”的问题。

难道就没有一个又快又好又方便的解决办法吗？

有的——

华为开源的昇思MindSpore，了解一下。

在这里，主流SOTA大模型的“搬家”是这样的——训练Day0迁移：

只需改动极少极少的代码就OK，并且精度和性能都在线。

推理是一键部署的：

训练转推理全流程自动化，20多个主流大模型开箱即用，百亿参数模型加载只需不到30秒。

△MindSpore生态快速迁移解决方案的技术架构

那么昇思MindSpore是如何做到，我们继续往下看。

改4行代码，“搬家”DeepSeek-V3

为了让迁移大模型这件事变得无感知，昇思MindSpore“翻译神器”——MSAdapter。

简单来说，这个工具可以把其他框架的代码转换成MindSpore能看懂的语言，从而实现 “零损耗” 迁移。

比如PyTorch写的训练脚本，直接在MindSpore里运行，动态图体验和原来一样顺手，95%以上的接口都能自动转换，迁移损耗几乎为零。

在此背后还有其他的“独家秘笈”，加速训练调试调优，具体技术如下：

动态图多级流水：把算子（模型的基本计算单元）的处理拆成4个阶段（如Python 转换、形状推导等），用多核并行处理，速度提升3-4倍。
JIT 编译：把常用代码 “打包” 成高效执行的模块，像把重复工作做成模板，用的时候直接拿出来用，兼顾灵活编程和高性能。
自动策略寻优：大模型训练需要选最佳并行策略（比如数据并行、张量并行等），传统靠专家经验，现在MindSpore能自动搜索最优方案，比如在DeepSeek-V3训练中，性能提升了9.5%。
执行序比对：大模型训练可能因算子执行顺序不同导致精度问题，MindSpore能自动比对执行顺序，快速找到差异，避免人工排查几十万算子的麻烦。

△MindSpore训练Day0迁移方案

以DeepSeek-V3为例，代码改动量如下：

Shell脚本：修改分布式任务启动相关参数，共涉及4行代码调整。
Python脚本：变更量占比

不仅精度上可以实现Day0对齐，而且在保持并行策略一致的情况下叠加MindSpore自研增量特性，性能还能提升5%。

HuggingFace模型们，推理一键部署

在推理部署这块儿，昇思则是用vLLM-MindSpore插件能让HuggingFace模型在半小时内完成部署并上线。

△vLLM x MindSpore 框架图

要是碰到千亿参数的大模型，MindSpore用三层部署模式重新打造了推理流程：

直接用HuggingFace的权重：能直接加载HuggingFace的模型权重，不用转换格式；通过vLLM - MindSpore插件，短短几分钟就能把模型变成可提供服务的状态。
模型拿来就能用：支持很多业内常用的模型，拿来就能直接用，像DeepSeek、Pangu、Qwen这些，已经有20多个模型上线了。
减少启动时的延迟：权重加载花费的时间减少了80%（百亿参数的模型加载时间不到30秒）；图编译的延迟也压缩到了毫秒级别。

从实测效果来看，以Pangu Pro MoE 72B为例，使用vLLM和MindSpore在Atlas 800I A2上部署推理服务，当前在时延小于100ms的情况下单卡增量吞吐可达每秒1020tokens，在Atlas 300I Pro上可达每秒130tokens。

以上便是关于昇思MindSpore“训练Day0迁移、推理一键部署”的大致内容了，了解更多详情可戳。

https://gitcode.com/ascend-tribe/ascend-cluster-infra/blob/main/MindSpore/ascend-cluster-infra-mindspore.md