大语言模型长序列是近期研究的热点，如何训练超长序列的模型成为关注的重点。序列并行（SP）是一种将输入序列维度进行切分的技术，它已成为训练和推理更长序列的一种有效方法。近段时间，腾讯云在大模型序列并行领域取得重大突破，推出了创新的USP(Unified Sequence Parallel)技术。对比主流的DeepSpeed-Ulysses[1]和Ring-Attention[2]序列并行方式，USP在DiT场景下生图的性能提升最多24%，在LLAMA2-7B场景的性能提升最多2倍以上，为DiT和长序列场景提供强力支持。
融合创新，突破瓶颈
USP技术巧妙地结合了DeepSpeed-Ulysses和Ring-Attention两种先进的序列并行方法，创造性地提出了“2D混合序列并行”的概念。这种混合并行方式不仅继承了两种方法各自的优点，还克服了它们各自的局限性，堪称序列并行技术的集大成者。
DeepSpeed-Ulysses和Ring-Attention是当下较为成熟的两种序列并行技术。DeepSpeed-Ulysses利用All2All通信处理Q、K、V和O张量片段，将张量的并行切分从序列维度转为注意力头数维度，使每个注意力头的计算保持完整。Ring-Attention则采用嵌套双层循环，以块的方式协调通信和计算，通过点对点通信获取所需的K和V张量片段。
DeepSpeed-Ulysses和Ring-Attention的通信原理示意图
然而，这两种方法各有局限性：Ulysses的SP并行度受限于注意力头数量，Ring的计算效率因矩阵乘法细分而降低。为此，腾讯云团队提出了USP方法，将两种方法结合使用。
USP将SP进程组分为正交的SP-Ring和SP-Ulysses两组，形成二维网格结构。它的算法流程包括：
1) 使用AlltoAll交换query、key、value；
2) 各组内进行独立的Ring-Attention计算；
3) AlltoAll通信使各组具有完整的Head Output结果。
Unified SP的算法流程
USP带来的好处是，它覆盖原来二者的能力，在没有能力损失的情况下带来了额外好处。USP避免了Ulysses SP并行度的限制，混合并行的通信模式更适合异构网络；在PCIe和多机多卡环境下，相比单独使用Ulysses或Ring都有明显加速效果。
4D并行：全方位优化
腾讯云团队在USP的基础上，进一步探索了SP+DP+TP+PP的4D并行最佳实践。这种4D并行策略考虑了数据并行（DP）、张量并行（TP）、流水线并行（PP）与序列并行（SP）之间的关系，为不同场景提供了优化方案：
1. DP和SP：优先使用DP，只有在批量大小不足时才考虑SP。
2. ZeRO和SP：SP应与ZeRO-1/2结合使用，也可考虑ZeRO-3和Offload技术。
3. TP和SP：在内存效率上，SP+ZeRO3可以达到与TP相似的序列长度；在通信效率上，SP优于TP。
4. TP和SP混合：在小规模集群上可带来速度提升，在大规模训练中可实现超长输入序列。
这种4D并行策略为不同规模和需求的模型训练提供了灵活的选择，进一步提升了性能和效率。SP，DP，ZeRO和TP的通信和内存开销总结如下表所示：
SP，DP，ZeRO和TP的通信和内存开销对比
灵活适配，广泛应用
腾讯云团队在LLAMA3-8B模型场景的测试结果显示，采用USP 4D并行后，模型训练的MFU (Model FLOPs Utilization) 显著超过Megatron-LM原生的最佳实现。这意味着客户可以用更低的成本训练或微调自己的模型。
不同4D并行并行策略和对应的训练性能
此外，USP不仅适用于语言模型训练，在基于DiT架构的模型推理领域同样表现出色。以Pixart-Alpha模型为例，采用USP后，图片生成的延迟大幅降低，相比Ring-Attention最多提升24%，即使在高分辨率图片生成场景，性能提升依然显著。
采用不同通信策略的Pixart-Alpha模型的生图速度（单位：秒）
扩展性强，潜力无限
随着GPU数量的增加、集群规模的扩大，USP的优势愈发明显。当训练Llama2-7B时，在16卡、32卡（序列并行维度为16或者32的场景下）的大规模训练场景中，USP的性能可以达到Ring-Attention的2倍以上，USP有望为大规模的模型训练和模型推理带来更高性能。
A800多机序列并行对比（单位：TFLOPS）
腾讯云：引领AI革命
腾讯云TACO的USP并行方法对开源社区做出了贡献。一些后续的杰出开源工作，如华为MindSpeed项目[3]和上海人工智能实验室LoongTrain项目[4]，均参考了USP序列并行的部分思路。
作为AI领域的领军者，腾讯云始终致力于突破技术边界，为客户提供最先进、最高效的AI解决方案。搭载USP技术的TACO加速套件将于近期登陆腾讯云高性能应用服务HAI。如果您想探索TACO加速套件的更多应用可能，欢迎点击原文留下您的联系方式。未来已来，智能无限。让我们共同期待TACO加速带来更多惊喜和可能。
[1]Jacobs, Sam Ade, et al. "Deepspeed ulysses: System optimizations for enabling training of extreme long sequence transformer models." arXiv preprint arXiv:2309.14509 (2023).
[2]Liu, Hao, Matei Zaharia, and Pieter Abbeel. "Ring attention with blockwise transformers for near-infinite context." arXiv preprint arXiv:2310.01889 (2023).
[3]docs/features/hybrid-context-parallel.md · Ascend/MindSpeed - Gitee.com
[4]Gu, Diandian, et al. "LoongTrain: Efficient Training of Long-Sequence LLMs with Head-Context Parallelism." arXiv preprint arXiv:2406.18485 (2024).
