文章介绍了TLab课题组依托鲲鹏昇腾平台在微观矩阵计算、工业优化建模、训练稳定性分析、高速路网仿真等领域取得的关键技术突破。主要成果包括1GEMM自动调优技术大幅提升大模型算力利用率2EvoOpt-LLM工业优化自动建模重构运筹开发流程3基于微批次分布建模的训练稳定性分析技术提前识别训练风险4基于鲲鹏昇腾的大规模CTM仿真与并行加速技术实现高速路网在线推演。这些成果可直接工程化为相关领域提供高效解决方案。成果一GEMM自动调优技术大模型算力利用率逼近硬件极限在大模型训练与推理过程中矩阵乘法是最核心、最频繁的计算操作之一。无论是Attention、Transformer还是FFN等关键模块其底层都离不开大规模矩阵计算的高效支撑。矩阵计算效率在很大程度上决定了整体算力利用水平也直接影响大模型训练与推理的性能上限。但在真实硬件环境中矩阵计算优化并不容易。面对复杂多变的矩阵尺寸组合、混合离散参数空间以及编译执行过程中的多重约束传统依赖人工经验的调优方式往往效率有限。参数配置维度多、组合复杂不同配置下的性能可能相差数倍同时一些参数即使满足显式约束也仍可能在真实硬件编译阶段失败。如何在有限搜索代价下快速找到高性能、可执行的配置始终是底层算子优化中的关键问题。围绕这一难题我们形成了面向昇腾平台的矩阵计算自动优化技术路径聚焦GEMM分块策略的自动优化探索从问题建模、约束感知搜索到跨任务经验迁移的一体化技术体系。相比传统“靠经验调参数、靠试错找最优”的方式这项技术更强调将复杂调优过程系统化、模型化和自动化使矩阵计算优化从离散试错走向可学习、可迁移的智能搜索。A2系列硬件基本架构AI Core多级存储层次结构这项技术的核心突破体现在三个方面可建模将复杂GEMM分块问题转化为统一优化任务可搜索面向真实硬件约束实现高效自动调优可迁移复用历史经验加速新矩阵场景求解在问题建模层面该技术对GEMM分块策略进行了统一形式化表达。围绕tile大小、split-k因子、数据布局等关键参数构建混合整数黑箱优化模型将原本高度依赖人工经验的调优问题转化为可计算、可搜索的优化任务为后续自动调优奠定基础。GEMM分级Tiling与关键分块参数示意在自动调优层面技术方案进一步面向复杂约束场景设计了约束感知搜索方法。针对整数变量、显式约束以及隐式编译约束并存的特点在贝叶斯优化框架基础上进行了改造一方面通过启发式邻域搜索提升候选配置生成效率另一方面将“是否可编译、是否可执行”纳入可行性建模过程减少无效采样和失败试错成本。这样一来搜索过程不仅关注性能高低也更关注配置能否真正稳定落到硬件上执行。在工程应用中调优也不是一次性任务。不同模型、不同层结构、不同矩阵规模会持续产生新的优化需求。为此该技术进一步探索了跨任务迁移优化机制将历史调优数据作为可复用经验引入到新矩阵场景的搜索过程中从而提升求解效率降低冷启动代价。进一步面向大模型典型场景验证时该技术在Qwen 2.5-7B和Qwen 2.5-32B的部分关键GEMM场景中也表现出较好的加速潜力。在典型FFN场景下相关算子的实测性能可达到相较基线约1.8倍至3.0倍的提升。这表明该技术不仅适用于单一任务上的点状优化也具备服务大模型场景中大量不规则GEMM持续优化需求的能力。成果一链接https://gitcode.com/SEU-TLab/Simulation-of-Microscopic-Typical-Matrix-Computation-Patterns成果二EvoOpt-LLM工业优化自动建模LLM重构运筹开发流程在工业优化场景中建模往往比求解更难。无论是生产排产、资源配置还是供应链协同优化业务需求通常以自然语言、规则条款和经验约束的形式存在而进入求解阶段前必须先将这些业务逻辑转化为严格、可执行的数学模型。长期以来这一过程高度依赖运筹建模专家不仅开发周期长、沟通成本高而且当业务规则发生变化时已有模型还需要反复修改和维护整体迭代效率较低。围绕这一问题我们探索了EvoOpt-LLM工业优化智能建模技术路径尝试借助大语言模型打通从业务需求理解到优化模型生成、再到模型持续演化与求解前加速的完整链路。相比传统方式这项技术关注的重点不只是“让模型会生成代码”而是推动工业优化建模从高度依赖人工经验的过程逐步走向更高效的智能辅助与自动化构建。在整体设计上EvoOpt-LLM形成了“自动建模—约束注入—变量压缩”的一体化技术框架。自动建模负责将自然语言形式的工业优化需求转化为求解器可执行的 LP/MILP 模型约束注入负责在已有模型基础上自动插入新的业务规则与约束实现模型的持续维护与演化变量压缩则在正式求解前识别冗余变量缩减模型规模提升求解效率。通过这一技术框架工业优化不再只是一次性建模问题而是形成了从构建、扩展到加速的完整技术链路。EvoOpt-LLM工业优化智能建模总体技术框架这项技术的核心能力主要体现在三个方面自动建模将业务描述转化为可执行优化模型持续演化在原有模型基础上自动注入新约束求解加速通过变量压缩降低问题规模与求解复杂度在自动建模方面该技术尝试将自然语言描述的业务需求直接转化为优化模型代码使模型能够自动识别集合、参数、决策变量、约束条件和目标函数等关键建模要素。针对生成结果中可能存在的语法不完整、表达不一致或求解器接口不兼容等问题技术方案还设计了后处理与自动修复机制以提升输出结果的结构完整性和可执行性。盘古辅助自动化建模技术流程示意在工业场景中优化模型往往会随着生产组织、资源配置和业务规则的调整不断演化。针对这一特点EvoOpt-LLM进一步探索了约束自动注入技术使模型能够在已有LP/MILP结构基础上理解新增业务规则并自动插入新的变量与约束实现模型的非破坏性增量扩展从而显著提升工业优化模型的迭代效率。面向业务规则变化的约束自动注入示意除了模型生成和维护求解效率也是工业优化场景中的关键问题。面对变量规模庞大、约束关系复杂的大型优化问题大量冗余变量会显著增加求解空间复杂度。为此该技术进一步引入变量压缩思路在模型求解前自动识别并移除冗余变量通过结构压缩降低问题规模为后续高效求解创造更有利的条件。EvoOpt-LLM以大语言模型和参数高效微调为基础结合结构化训练样本、规则注入和自动修复机制增强模型对工业优化建模任务的适配能力。与通用代码生成不同这项技术更强调对优化结构的理解、对业务逻辑的映射以及对求解器执行要求的适配目标是让模型输出不仅“看起来像代码”而是真正具备进入优化求解流程的实际价值。成果二链接https://github.com/WillowHe/EvoOpt_oppangu_optimization_model成果三基于微批次分布建模的训练稳定性分析技术在大模型训练过程中训练是否稳定直接关系到模型收敛效率、资源利用水平和整体训练成本。随着模型参数规模、训练时长和并行规模持续增长训练过程中的不稳定现象也越来越常见例如loss突增、梯度异常、训练回退甚至需要从检查点重新启动。很多时候这些问题并不是突然发生的而是在训练内部以更细粒度、更局部化的方式提前出现。但在传统训练监控中系统往往主要依赖step-level指标例如mean loss、gradient norm等。这类指标虽然直观、易于记录却会把一个step内部的大量细节压缩成单个均值。在数据并行训练中一个优化step实际上由多个worker、多个micro-batch共同完成系统每一步真正产生的并不是一个loss而是一组loss。若这些微批次之间已经出现明显分化或者高损失尾部正在扩张那么平均值依然可能看起来平稳从而掩盖训练风险的早期信号。围绕这一问题我们形成了基于微批次分布建模的训练稳定性分析技术路径。该技术不再将一步训练简单视为一个标量结果而是将其重新看作由多个微批次损失共同构成的分布对象重点关注训练过程中分布形状、尾部变化以及时间演化特征。相比传统“只看均值”的监控方式这项技术更强调从训练内部结构出发识别潜在失稳风险使训练分析从标量曲线监控进一步走向分布结构监控。微批次数据流与参数更新过程示意这项技术的核心突破主要体现在三个方面看见均值之外的差异从单个step的平均值转向微批次分布观测看见训练内部的结构风险识别尾部扩张、局部分化和分布扭曲等前兆看见训练状态的动态演化结合时间维度分析分布是否稳定收敛在方法层面该技术首先将单步训练状态表示为由多个微批次损失构成的向量从而把训练状态从“一个数”扩展为“一个分布”。这样做的意义在于分析重点不再只是平均loss是否下降而是进一步关注这些微批次loss之间的相对高低、尾部变化和结构形态。对训练系统而言这相当于把监控粒度从step-level进一步下沉到了微批次层面。考虑到不同step中微批次的数据顺序和调度路径会发生变化技术方案进一步对每一步的微批次loss进行排序得到更稳定的分位表示。经过这一步处理分析对象不再是“某个具体微批次”而是“这一时刻的损失分布形状”。继续在时间维度上观察就可以更清晰地判断训练分布是否在收敛、尾部是否在扩张以及是否出现了非线性扭曲等潜在失稳特征。在此基础上该技术进一步构造了一个面向训练稳定性的简化指标一部分反映优化是否在持续推进另一部分反映微批次loss分布是否正在失稳。也就是说训练状态不能只看平均loss是否下降还要看这种下降是否伴随着内部结构恶化。如果平均值在下降但高损失微批次尾部持续抬升或者分布形状开始剧烈弯曲那么表面上训练似乎在前进实际上可能已经积累了后续波动甚至失稳的风险。从技术价值看这种方法补上了传统训练监控的一个重要盲区。过去很多系统只有在异常已经较为明显时才能作出响应而在引入微批次分布视角之后系统就有机会在更早阶段识别局部异常、尾部扩张和结构失衡等前兆信号。这意味着训练分析不再停留在“曲线是否好看”的层面而是能够进一步回答“训练内部是否健康”“风险是否正在累积”这类更关键的问题。成果三链接https://github.com/HongriJiujiu/op_pangu成果四基于鲲鹏昇腾的大规模CTM仿真与并行加速技术在高速公路运行监测、事件处置和调度决策中交通状态能否被快速、准确地推演直接影响管理响应的时效性与科学性。尤其在事故扰动、流量波动和管控策略调整等场景下行业对“实时感知、快速推演、辅助决策”的需求越来越迫切。但长期以来交通仿真始终面临一个突出矛盾一类方法刻画细致却难以满足大范围路网下的实时响应要求另一类方法计算速度较快却往往难以兼顾复杂场景下的动态刻画能力。围绕这一痛点我们形成了基于鲲鹏昇腾计算平台的大规模CTM仿真与并行加速技术路径面向高速路网在线推演场景重点突破仿真规模、计算效率与结果可信度之间的协同优化问题。该技术并不是简单将已有模型迁移到国产平台运行而是从仿真输入、模型构建、计算表达和并行执行等关键环节进行了系统性重构推动交通仿真从“离线分析工具”进一步走向“在线推演能力”。在仿真输入层该技术以路网车流OD矩阵为基础将实时OD预测结果作为仿真驱动输入并融合道路网络信息与交通态势实测数据构建面向在线业务的仿真环境。针对多源交通数据格式不统一、时间与空间尺度不一致等问题技术方案对数据转换、时间对齐和空间匹配等环节进行了系统设计形成了较为完整的自动化接入流程为在线仿真提供稳定的数据基础。面向在线仿真的OD预测与数据接入流程示意这项技术的关键突破主要体现在三个方面输入可在线接入实现多源交通数据的自动化接入与驱动模型可贴近场景构建考虑多车型影响的CTM仿真方法计算可并行加速通过矩阵化改造提升大规模路网推演效率CTM仿真模块技术框架该技术以元胞传输模型CTM为基础结合高速公路运行场景特点对传统模型进行了针对性改进。围绕多车型混行条件下的交通状态传播过程构建了考虑多车型影响的仿真方法并结合参数校准与场景适配机制增强模型对真实高速路网运行状态的刻画能力。这样做的目的不只是让仿真“能够运行”更是要在在线推演场景下尽可能保证输出结果的可信度和业务参考价值。更关键的是在计算实现层面该技术对CTM仿真过程进行了矩阵化改造。通过邻接矩阵、布尔筛选向量等功能设计将原本分散的状态传播与更新过程转化为更适合并行执行的矩阵运算过程从而更充分地发挥昇腾平台在高吞吐并行计算方面的优势。借助这一技术路径传统交通仿真中大量依赖串行执行的步骤被重构为可并行加速的计算流程为大规模高速路网的快速推演提供了关键支撑。CTM矩阵化表达与并行加速方法示意从工程应用角度看这项成果的价值在于将交通仿真中“精度与效率难以兼顾”的问题推进了一步。相比计算成本较高、难以满足在线应用需求的传统微观仿真方法该技术更加聚焦在线场景中的规模化推演需求通过模型优化与平台加速相结合的方式在效率和适用性之间取得更好的平衡。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取