opção
LarLar Skill Ciência de dados e ML nemo-mbridge-perf-moe-vlm-training

nemo-mbridge-perf-moe-vlm-training

NVIDIA/skills NVIDIA/skills

Oferece orientações práticas para o treinamento de modelos de visão-linguagem do tipo “mistura de especialistas” no Megatron Bridge, comparando as abordagens FSDP e 3D-paralela com lições extraídas de experimentos multimodais recentes.

...Expandir tudo
1
Tempo atualizado 28 de Setembro de 2026

Treinamento de VLM com MoE

Documentação estável: @docs/training/moe-optimization.md Cartão: @skills/nemo-mbridge-perf-moe-vlm-training/card.yaml

FSDP vs. Paralelo 3D

Abordagem Pontos fortes Melhor aplicação
FSDP O caminho mais simples para uma execução multimodal funcional primeira inicialização, ajuste com prioridade na memória, limites de PP complexos
Paralelo 3D Limite superior mais alto após o ajuste modelos estáveis com um layout de PP organizado e tempo para varreduras mais aprofundadas

Para VLMs com MoE, o fluxo de trabalho prático geralmente é:

  1. obter a primeira execução confiável com o FSDP
  2. estabilizar a entrada de dados reais, recalcular e analisar o comportamento da memória
  3. passar para o paralelo 3D somente se a margem de rendimento justificar o trabalho extra

Conclusões gerais de execuções recentes de VLM

Modelos da classe Qwen3-VL

Os principais padrões foram consistentes em todo o rastreador:

  • O FSDP em sistemas da classe GB200 já pode atingir uma boa taxa de utilização na casa dos 15% com uma configuração relativamente simples
  • As execuções do FSDP no B200 são viáveis, mas mais sensíveis à escolha de recomputação e às configurações de visão congeladas
  • O paralelo 3D pode recuperar um ponto de operação semelhante ou melhor, mas somente após o ajuste conjunto do MBS, da recomputação e do caminho de visão real

Dados reais x dados simulados

Execuções do VLM com dados simulados não são indicadores confiáveis de desempenho. Nos experimentos, as execuções simuladas sem imagens pareceram mais próximas de “aproximadamente duas vezes mais rápidas” do que de “ligeiramente otimistas” quando comparadas à entrada multimodal real.

Utilize cargas úteis de imagens reais ou realistas antes de tirar qualquer conclusão sobre a taxa de transferência do VLM.

Execuções multimodais menores com MoE

Os experimentos multimodais menores, no estilo Qwen3.5, reforçam as mesmas lições:

  • O HybridEP é uma opção padrão sólida no GB200
  • Gráficos CUDA com escopo TE ajudam assim que o ciclo de treinamento estiver estável
  • MBS maiores podem valer a pena, mas somente se o codificador de visão não se tornar o próximo gargalo

Guia de decisão

Escolha o FSDP quando

  • estiver colocando um novo VLM em operação pela primeira vez
  • o modelo tiver limites de estágios complexos entre embedding, visão e decodificador
  • o ajuste de memória for mais importante do que a taxa de transferência absoluta
  • você precisar congelar a pilha de visão durante o ajuste focado no decodificador

Escolha o paralelo 3D quando

  • o modelo já estiver estável sob o FSDP
  • o layout do PP for claro e repetível
  • você puder fazer um varredura no MBS, recalcular e analisar o escopo do gráfico CUDA simultaneamente
  • o objetivo for a melhor taxa de transferência em estado estacionário, e não a inicialização mais fácil

Principais ajustes

  1. Congele a pilha de visão quando for apropriado: se o trabalho estiver focado no decodificador, congelar o lado da visão geralmente proporciona um ganho de throughput pequeno, mas real, e reduz a pressão sobre a memória.

  2. Faça varreduras agressivas no MBS: os VLMs são mais sensíveis ao MBS do que as execuções de MoE apenas com texto, pois o caminho de visão altera o equilíbrio entre computação e sobrecarga.

  3. Prefira o recálculo seletivo assim que o modelo estiver ajustado: o recálculo completo é uma ferramenta útil para a inicialização, mas o recálculo seletivo geralmente é o melhor estado estacionário.

  4. Adapte o escopo do gráfico CUDA à carga de trabalho: `attn moe_router moe_preprocess` é o padrão mais seguro para MoE, enquanto escopos mais restritos ainda podem ser úteis para experimentos controlados.

  5. Use ETP somente quando o EP por si só for insuficiente: ele pode desbloquear um layout, mas também introduz mais comunicação e mais superfície de ajuste.

Famílias de configurações representativas

Caminho FSDP-first no GB200

TP=1  CP=1  PP=1
EP dimensionado para a topologia especialista, geralmente grande
Despachador: HybridEP em sistemas da classe GB200
Recálculo: comece com o recálculo completo e, em seguida, passe para o recálculo seletivo

Caminho GB200 paralelo em 3D

TP=1  CP=1  PP=1 ou PP moderado
EP e ETP dimensionados para a topologia especialista
Despachante: HybridEP
Gráfico CUDA: comece estreito e amplie somente após o caminho de dados reais se estabilizar

Compatibilidade

Recurso FSDP Paralelo 3D
HybridEP no GB200 padrão forte padrão forte assim que a topologia estiver estável
Gráficos CUDA úteis após a inicialização úteis, mas mais sensíveis ao escopo
Freeze Vision adapta-se naturalmente possível, mas menos utilizado como principal caminho de desempenho
Recálculo seletivo recomendado recomendado

Armadilhas

  1. Dados multimodais simulados podem induzir em erro: podem fazer com que o decodificador pareça muito mais eficiente do que o caminho VLM de ponta a ponta real.

  2. O codificador de visão pode se destacar de forma inesperada: analise o perfil do codificador, do projetor e do decodificador separadamente antes de atribuir tudo ao despachante.

  3. Não compare execuções FSDP e 3D-paralelas com trabalho efetivo diferente: normalize por tokens úteis e formato da carga de trabalho, não apenas pelo tempo de passo.

  4. O ETP não é gratuito: use-o como uma ferramenta de ajuste ou topologia, não como padrão.

  5. As escolhas de recálculo e do gráfico CUDA estão interligadas: a configuração que faz com que o modelo se ajuste muitas vezes não é a que proporciona a melhor velocidade em estado estacionário.

Ver no GitHub
---
name: nemo-mbridge-perf-moe-vlm-training
description: Provides practical guidance for training Mixture-of-Experts Vision-Language Models in Megatron Bridge, comparing FSDP and 3D-parallel approaches with lessons from recent multimodal experiments.
license: Apache-2.0
---

# MoE VLM Training

Stable docs: @docs/training/moe-optimization.md
Card: @skills/nemo-mbridge-perf-moe-vlm-training/card.yaml

## FSDP vs 3D Parallel

| Approach | Strength | Best fit |
|---|---|---|
| FSDP | Simplest path to a working multimodal run | first bring-up, memory-first tuning, awkward PP boundaries |
| 3D parallel | Higher ceiling after tuning | stable models with a clean PP layout and time for deeper sweeps |

For MoE VLMs, the practical workflow is usually:

1. get the first reliable run with FSDP
2. stabilize real-data input, recompute, and memory behavior
3. move to 3D parallel only if the throughput headroom is worth the extra work

## Rounded Findings From Recent VLM Runs

### Qwen3-VL class models

The main patterns were consistent across the tracker:

- FSDP on GB200-class systems can already reach healthy high-teens utilization
  with a comparatively simple setup
- B200 FSDP runs are viable, but more sensitive to recompute choice and frozen
  vision settings
- 3D parallel can recover to a similar or better operating point, but only after
  tuning MBS, recompute, and the real vision path together

### Real data vs mock data

Mock-data VLM runs are not trustworthy performance proxies. In the experiments,
image-free mock runs looked closer to "roughly twice as fast" than "slightly
optimistic" when compared with real multimodal input.

Use real or realistic image payloads before drawing any conclusion about VLM
throughput.

### Smaller multimodal MoE runs

The smaller Qwen3.5-style multimodal experiments reinforce the same lessons:

- HybridEP is a solid default on GB200
- TE-scoped CUDA graphs help once the training loop is stable
- larger MBS can pay off, but only if the vision encoder does not become the
  next bottleneck

## Decision Guide

### Choose FSDP when

- you are bringing up a new VLM for the first time
- the model has awkward stage boundaries across embedding, vision, and decoder
- memory fit matters more than absolute throughput
- you may freeze the vision stack during decoder-focused tuning

### Choose 3D parallel when

- the model is already stable under FSDP
- the PP layout is clear and repeatable
- you can sweep MBS, recompute, and CUDA-graph scope together
- the goal is best steady-state throughput, not easiest bring-up

## Key Tuning Knobs

1. **Freeze the vision stack when appropriate**: if the work is decoder-focused,
   freezing the vision side often gives a small but real throughput gain and
   reduces memory pressure.

2. **Sweep MBS aggressively**: VLMs are more MBS-sensitive than text-only MoE
   runs because the vision path changes the compute-to-overhead balance.

3. **Prefer selective recompute once the model fits**: full recompute is a
   useful bring-up tool, but selective recompute is usually the better steady
   state.

4. **Match CUDA-graph scope to the workload**: `attn moe_router moe_preprocess`
   is the safer MoE default, while narrower scopes can still be useful for
   controlled experiments.

5. **Use ETP only when EP alone is insufficient**: it can unlock a layout, but
   it also introduces more communication and more tuning surface.

## Representative Config Families

### FSDP-first GB200 path

```text
TP=1  CP=1  PP=1
EP sized to the expert topology, often large
Dispatcher: HybridEP on GB200-class systems
Recompute: start with full, then relax toward selective recompute
```

### 3D-parallel GB200 path

```text
TP=1  CP=1  PP=1 or modest PP
EP and ETP sized to the expert topology
Dispatcher: HybridEP
CUDA Graph: start narrow, then widen only after the real-data path is stable
```

## Compatibility

| Feature | FSDP | 3D parallel |
|---|---|---|
| HybridEP on GB200 | strong default | strong default once topology is stable |
| CUDA graphs | useful after bring-up | useful, but more scope-sensitive |
| Freeze vision | natural fit | possible, but less often used as the headline perf path |
| Selective recompute | recommended | recommended |

## Pitfalls

1. **Mock multimodal data is misleading**: it can make the decoder look much
   healthier than the real end-to-end VLM path.

2. **The vision encoder can dominate unexpectedly**: profile encoder, projector,
   and decoder separately before attributing everything to the dispatcher.

3. **Do not compare FSDP and 3D-parallel runs with different effective work**:
   normalize by useful tokens and workload shape, not only by step time.

4. **ETP is not free**: use it as a fit or topology tool, not as the default.

5. **Recompute and CUDA-graph choices are coupled**: the setting that gets the
   model to fit is often not the setting that gives the best steady-state speed.

Todos os arquivos

1 arquivos

Instalar nemo-mbridge-perf-moe-vlm-training

Baixe e descompacte os arquivos de habilidades no diretório .claude/skills/.

Baixar ZIP

Clone o repositório e copie os arquivos da habilidade para o seu projeto.

git clone https://github.com/NVIDIA/skills/tree/main/skills/nemo-mbridge-perf-moe-vlm-training # Copy SKILL.md to your .claude/skills/ directory

Copiar Copiar
Configuração rápida: Copie a pasta da habilidade para .claude/skills/ O Claude detectará e utilizará automaticamente a habilidade
Repositório NVIDIA/skills

Habilidades relacionadas

web-search
Tempo atualizado 29 de Junho de 2026
webapp-testing
Tempo atualizado 29 de Junho de 2026
lark-base
Tempo atualizado 5 de Julho de 2026
agentmail
Tempo atualizado 29 de Junho de 2026
OR