Megatron-Core - Treinamento de LLMs em Larga Escala

Início rápido

Megatron-Core treina LLMs de 2B a 462B de parâmetros com até 47% de Model FLOP Utilization em GPUs H100 através de estratégias avançadas de paralelismo.

Instalação:

# Docker (recomendado)
docker run --gpus all -it --rm nvcr.io/nvidia/pytorch:25.04-py3

# Ou pip
pip install megatron-core

Treinamento distribuído simples:

# Treinar com 2 GPUs usando data parallelism
torchrun --nproc_per_node=2 examples/run_simple_mcore_train_loop.py

# Ou treinamento LLaMA-3 8B
./examples/llama/train_llama3_8b_fp8.sh

Fluxos de trabalho comuns

Fluxo 1: Treinar modelo estilo LLaMA com paralelismo 3D

Copie esta lista de verificação:

Configuração de Treinamento LLaMA:
- [ ] Passo 1: Escolher configuração de paralelismo
- [ ] Passo 2: Configurar hiperparâmetros de treinamento
- [ ] Passo 3: Lançar treinamento distribuído
- [ ] Passo 4: Monitorar métricas de desempenho

Passo 1: Escolher configuração de paralelismo

O tamanho do modelo determina a estratégia de paralelismo:

Tamanho do Modelo	GPUs	Tensor Parallel	Pipeline Parallel	Data Parallel	Context Parallel
7B	8	1	1	8	1
13B	8	2	1	4	1
70B	64	4	4	4	1
405B	128	8	8	2	2

Passo 2: Configurar hiperparâmetros de treinamento

#!/bin/bash
# train_llama_70b.sh

GPUS_PER_NODE=8
NNODES=8  # 64 GPUs total
TP=4      # Tensor parallel
PP=4      # Pipeline parallel
CP=1      # Context parallel

# Configuração LLaMA 70B
MODEL_SIZE=70  # Billion parameters
HIDDEN_SIZE=8192
NUM_LAYERS=80
NUM_HEADS=64
SEQ_LENGTH=4096

# Hiperparâmetros de treinamento
MICRO_BATCH=1
GLOBAL_BATCH=1024
LR=3e-4

torchrun \
  --nproc_per_node=$GPUS_PER_NODE \
  --nnodes=$NNODES \
  pretrain_gpt.py \
  --tensor-model-parallel-size $TP \
  --pipeline-model-parallel-size $PP \
  --context-parallel-size $CP \
  --sequence-parallel \
  --num-layers $NUM_LAYERS \
  --hidden-size $HIDDEN_SIZE \
  --num-attention-heads $NUM_HEADS \
  --seq-length $SEQ_LENGTH \
  --max-position-embeddings $SEQ_LENGTH \
  --micro-batch-size $MICRO_BATCH \
  --global-batch-size $GLOBAL_BATCH \
  --lr $LR \
  --train-iters 100000 \
  --lr-decay-style cosine \
  --lr-warmup-iters 2000 \
  --weight-decay 0.1 \
  --clip-grad 1.0 \
  --bf16 \
  --use-mcore-models \
  --transformer-impl transformer_engine \
  --data-path /path/to/data \
  --vocab-file /path/to/vocab.json \
  --merge-file /path/to/merges.txt

Passo 3: Lançar treinamento distribuído

# Nó único (8 GPUs)
bash train_llama_70b.sh

# Multi-nó com SLURM
sbatch --nodes=8 --gpus-per-node=8 train_llama_70b.sh

Passo 4: Monitorar métricas de desempenho

Métricas-chave para acompanhar:

Model FLOP Utilization (MFU): Meta >40% em H100
Throughput: Tokens/seg/GPU
Uso de memória: <80GB por GPU para modelo 70B
Loss: Deve diminuir constantemente

Fluxo 2: Configurar treinamento Mixture of Experts (MoE)

Para modelos MoE esparsos como Mixtral.

Treinamento MoE:
- [ ] Passo 1: Configurar expert parallelism
- [ ] Passo 2: Definir hiperparâmetros MoE
- [ ] Passo 3: Lançar treinamento com EP

Passo 1: Configurar expert parallelism

# Exemplo Mixtral 8x7B
TENSOR_PARALLEL=2
PIPELINE_PARALLEL=1
EXPERT_PARALLEL=4  # Dividir 8 experts entre 4 GPUs
DATA_PARALLEL=4

TOTAL_GPUS=$((TENSOR_PARALLEL * PIPELINE_PARALLEL * EXPERT_PARALLEL * DATA_PARALLEL))
# = 2 * 1 * 4 * 4 = 32 GPUs

Passo 2: Definir hiperparâmetros MoE

torchrun \
  --nproc_per_node=8 \
  pretrain_gpt.py \
  --tensor-model-parallel-size 2 \
  --pipeline-model-parallel-size 1 \
  --expert-model-parallel-size 4 \
  --num-experts 8 \
  --moe-router-topk 2 \
  --moe-router-load-balancing-type aux_loss \
  --moe-aux-loss-coeff 0.01 \
  --hidden-size 4096 \
  --num-layers 32 \
  --num-attention-heads 32 \
  --seq-length 4096 \
  --max-position-embeddings 4096 \
  --bf16 \
  --use-mcore-models \
  --transformer-impl transformer_engine \
  --data-path /path/to/data \
  --vocab-file /path/to/vocab.json \
  --merge-file /path/to/merges.txt

Passo 3: Lançar treinamento com EP

Expert parallelism distribui diferentes experts entre GPUs, reduzindo memória enquanto mantém a capacidade.

Memória sem EP: 8 experts × 7B = 56GB por GPU
Memória com EP=4: 2 experts × 7B = 14GB por GPU
Economia: redução de 75% em memória

Fluxo 3: Otimizar para máximo throughput

Alcançar 47% MFU em H100.

Otimização de Desempenho:
- [ ] Passo 1: Habilitar Flash Attention
- [ ] Passo 2: Usar precisão FP8 (H100)
- [ ] Passo 3: Otimizar tamanho de micro-batch
- [ ] Passo 4: Ajustar graus de paralelismo

Passo 1: Habilitar otimizações

--use-mcore-models  # Usar modelos Megatron Core
--transformer-impl transformer_engine  # Usar Transformer Engine
--sequence-parallel  # Reduzir memória de ativações (usar com TP)

Passo 2: Usar precisão FP8 (apenas H100)

--fp8-hybrid  # Treinamento com precisão mista FP8
# Transformer Engine cuida de FP8 automaticamente

Resultado: aceleração de 1,5-2x em H100 vs BF16.

Passo 3: Otimizar tamanho de micro-batch

Encontre o maior micro-batch que cabe em memória:

# Começar com 1, aumentar até OOM
for MBS in 1 2 4 8; do
  echo "Testando micro-batch-size=$MBS"
  torchrun ... --micro-batch-size $MBS
done

Valores típicos:

• Modelo 7B: 4-8
• Modelo 70B: 1-2
• Modelo 405B: 1

Passo 4: Ajustar graus de paralelismo

Regras práticas:

Tensor Parallel: Usar ≤8 (limitado por NVLink dentro do nó)
Pipeline Parallel: Usar para >70B de modelos
Context Parallel: Usar para sequências >8K tokens
Data Parallel: Preencher GPUs restantes

Exemplo 405B em 128 H100s:

TP=8 (1 nó)
PP=8 (entre nós)
CP=2 (sequências longas)
DP=1
Total = 8 × 8 × 2 × 1 = 128 GPUs

Quando usar vs alternativas

Use Megatron-Core quando:

• Treinar modelos >10B de parâmetros
• Precisa de máxima eficiência (alvo >40% MFU)
• Usando GPUs NVIDIA (A100, H100)
• Treinamento em produção em larga escala
• Quer controle fino sobre paralelismo

Use alternativas em vez disso:

• PyTorch FSDP: Modelos <70B, API mais simples, nativo do PyTorch
• DeepSpeed: Configuração mais fácil, bom para <100B de modelos
• HuggingFace Accelerate: Prototipagem, fluxos de trabalho mais simples
• LitGPT: Educacional, implementações em arquivo único

Problemas comuns

Problema: Baixa utilização de GPU (<30% MFU)

Causas:

1. Micro-batch muito pequeno
2. Muita sobrecarga de paralelismo
3. Não usando Flash Attention

Correções:

# Aumentar micro-batch
--micro-batch-size 4  # Era 1

# Habilitar otimizações
--use-flash-attn
--sequence-parallel

# Reduzir TP se >8
--tensor-model-parallel-size 4  # Era 16

Problema: Memória insuficiente

Reduzir memória com:

--tensor-model-parallel-size 2  # Dividir modelo entre GPUs
--recompute-granularity full  # Gradient checkpointing
--recompute-method block  # Checkpoint de blocos transformer
--recompute-num-layers 1  # Checkpoint de cada camada

Ou usar offloading em CPU/NVMe:

--cpu-optimizer  # Offload do otimizador para CPU
--cpu-optimizer-type ADAM  # Variante Adam em CPU

Problema: Treinamento mais lento do que esperado

Verificar:

1. Gargalo de rede: Garantir InfiniBand/NVLink habilitado
2. Pipeline bubbles: Usar schedule de pipeline intercalado

   --num-layers-per-virtual-pipeline-stage 2
   

3. Carregamento de dados: Usar data loader rápido

   --dataloader-type cyclic
   

Problema: Loss divergindo

Estabilizar treinamento:

--lr-warmup-iters 2000  # Warmup mais longo
--clip-grad 1.0  # Gradient clipping
--init-method-std 0.006  # Inicialização menor
--attention-dropout 0.0  # Sem dropout em attention
--hidden-dropout 0.0  # Sem dropout em FFN

Tópicos avançados

Estratégias de paralelismo: Veja references/parallelism-guide.md para comparação detalhada de TP/PP/DP/CP/EP com análise de desempenho e quando usar cada uma.

Benchmarks de desempenho: Veja references/benchmarks.md para números de MFU em diferentes tamanhos de modelo e configurações de GPU.

Configurações para produção: Veja references/production-examples.md para setups do mundo real de LLaMA 3 405B, Nemotron-4 340B e DeepSeek-V3 671B.

Receitas de treinamento: Veja references/training-recipes.md para configurações completas de hiperparâmetros para arquiteturas GPT/LLaMA/Mixtral.

Requisitos de hardware

• GPU: NVIDIA Ampere+ (A100, H100, B200)
  • Turing funciona mas mais lento
  • FP8 requer Hopper/Ada/Blackwell
• Rede: InfiniBand ou Ethernet 400Gb+ para multi-nó
• Memória por GPU:
  • Modelo 7B: 40GB+
  • Modelo 70B: 80GB (com TP=4)
  • Modelo 405B: 80GB (com TP=8, PP=8)
• Armazenamento: NVMe rápido para checkpoints (1TB+ para modelos 70B+)

Recursos

• Docs: https://docs.nvidia.com/megatron-core/
• GitHub: https://github.com/NVIDIA/Megatron-LM
• Papers:
  • "Megatron-LM: Training Multi-Billion Parameter Language Models Using Model Parallelism" (2019)
  • "Efficient Large-Scale Language Model Training on GPU Clusters Using Megatron-LM" (2021)
• NeMo Framework: https://docs.nvidia.com/nemo-framework/ (construído sobre Megatron-Core)