3 月 10日，字節豆包大模型團隊官宣開源一項針對 MoE 架構的關鍵優化技術，可將大模型訓練效率提升1.7倍，成本節省40%。據悉，該技術已實際應用于字節的萬卡集群訓練，累計幫助節省了數百萬 GPU 小時訓練算力。
MoE 是當前大模型的主流架構，但其在分布式訓練中存在大量跨設備通信開銷，嚴重制約了大模型訓練效率和成本。以海外主流模型Mixtral-8x7B為例， 其訓練過程中通信時間占比可高達 40%。針對這一難題，字節在內部研發了COMET計算-通信重疊技術，通過多項創新，大幅壓縮了MoE專家通信空轉時間。
相較DeepSeek近期開源的DualPipe等MoE優化方案，COMET可以像插件一樣直接接入已有的MoE訓練框架，支持業界絕大部分主流大模型，無需對訓練框架進行侵入式改動。因簡潔、通用的設計理念，該工作以5/5/5/4 的高分入選全球機器學習系統頂級會議 MLSys 2025 ，被認為“在大規模生產環境中極具應用潛力”。
具體而言， COMET 從系統層面建立了面向 MoE 的細粒度流水線編程方式，通過引入共享張量依賴解析、自適應負載分配兩項關鍵機制，來解決通信與計算之間的粒度錯配問題，并精準平衡通信與計算負載，最終大幅提升MoE流水線整體效率。 引入COMET后，單個 MoE 層上可實現 1.96 倍加速、端到端平均 1.71 倍效率提升，且在不同并行策略、輸入規模及硬件環境下均表現穩定。
COMET 的設計結構
COMET 與Deepseek 研發的DualPipe方案還可以聯合使用。在降低MoE通信開銷上，COMET 采用了計算-通信融合算子的優化方式， DualPipe則通過排布算子來掩蓋通信，兩種方案并不沖突，結合使用或將更大幅度壓縮模型訓練成本。
目前，COMET支持多種MoE并行模式，部署靈活、方便。同時，COMET核心代碼已開源，并向開發者提供了一套友好的 Python API，計劃兼容 Triton 等編譯生態。
COMET論文鏈接：https://arxiv.org/pdf/2502.19811
開源地址：https://github.com/bytedance/flux
