Qwen3.8-Flash-Next 最佳实践

Qwen3.8-Flash-Next 是一个多模态超稀疏 MoE 模型，共 125B 参数（其中包含一张额外的 51B N-gram 嵌入表），每 token 激活约 6B。它的架构结合了三个关键设计：

Qwen3.8-Flash-Next 模型结构

  • GDN + QSA：每四层中有三层用 Gated DeltaNet 压缩历史，第四层用 Qwen Sparse Attention 做长范围精确检索。QSA 的预算是 2048 token。

  • Gated Residual（Hyper-Connections）：每层输入扩成 4 路残差分支，动态控制跳层读写。

  • N-gram Embedding：一张 51B 的查询记忆表，用极小的单 token 计算量换来容量，可以 offload 到主机内存。

checkpoint 原生支持 262,144 token 上下文。

环境设置

pip install -U ms-swift
pip install -U "transformers>=5.16" "qwen_vl_utils>=0.0.14"

# Megatron
pip install -U mcore-bridge
pip install --no-build-isolation transformer_engine[pytorch]

# flash-linear-attention
pip install -U "flash-linear-attention>=0.5.2" --no-build-isolation

# causal_conv1d
pip install -U git+https://github.com/Dao-AILab/causal-conv1d --no-build-isolation

# vllm 安装需包含 https://github.com/vllm-project/vllm/pull/53896
# 目前安装源码 (>0.28.0)
# 参考 https://docs.vllm.ai/en/latest/getting_started/installation/gpu/index.html#build-wheel-from-source

训练后端使用 Megatron, 环境的准备请参考Megatron-SWIFT快速开始文档

微调（Megatron SFT）

显存优化：N-gram 表 offload

N-gram 嵌入表占了 51B 参数、bf16 下约 95GiB，而且只能沿 TP 切分。

设置PLE_CPU_OFFLOAD环境变量卸载PLE权重

PLE_CPU_OFFLOAD=1 megatron sft ...

注意，开启后

  • 该表将会冻结训练。LoRA 训练本来就不更新它，无影响；但全参训练下这部分权重会静默地不参与训练。

8 卡 LoRA 微调：

# 8*70G
PLE_CPU_OFFLOAD=1 \
CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7 \
NPROC_PER_NODE=8 \
PYTORCH_CUDA_ALLOC_CONF='expandable_segments:True' \
megatron sft \
    --model Qwen/Qwen3.8-Flash-Next \
    --dataset 'swift/Chinese-Qwen3-235B-2507-Distill-data-110k-SFT#2000' \
    --num_train_epochs 1 \
    --tuner_type lora \
    --lora_rank 8 \
    --lora_alpha 32 \
    --target_modules in_proj out_proj linear_proj linear_qkv \
    --tensor_model_parallel_size 2 \
    --expert_model_parallel_size 4 \
    --expert_tensor_parallel_size 1 \
    --pipeline_model_parallel_size 2 \
    --decoder_first_pipeline_num_layers 12 \
    --sequence_parallel true \
    --moe_permute_fusion true \
    --recompute_granularity full \
    --recompute_method uniform \
    --recompute_num_layers 1 \
    --padding_free true \
    --max_length 8192 \
    --micro_batch_size 1 \
    --global_batch_size 8 \
    --lr 1e-4 \
    --save_steps 500 \
    --output_dir output

--decoder_first_pipeline_num_layers 12：PLE 层（第 2 层）落在 PP stage 0，它的激活与查表开销都压在该 stage，因此按 24/24 均分会两边不均。可以通过给 stage 0 分配更少的层拉平

实测数据

测试环境为 8卡，LoRA（rank 8）、TP2/EP4/PP2（并行策略组除外），micro_batch_size=1、global_batch_size=8，数据集为每条长度精确相等的合成集。显存每卡峰值，耗时以 seq=2048 基线为 1.00×。

分组 配置 seq PF RC PLE offload 显存 (GiB) Δ Mem 耗时
基线 seq=2048 2048 – full – 75.6 – 1.00×
序列长度 – 4096 – full – 77.8 +2.9% 1.03×
– 8192 – full – 93.3 +23.4% 1.32×
显存开关 PLE offload 4096 – full ✓ 63.6 −15.9% 1.04×
PLE offload 8192 – full ✓ 77.7 +2.8% 1.27×
PLE offload + PF 8192 ✓ full ✓ 72.5 −4.1% 1.26×
padding_free 4096 ✓ full – 77.8 +2.9% 1.16×
recompute selective 4096 – selective – 92.1 +21.8% 0.75×
recompute selective 8192 – selective – 123.5 +63.4% 0.87×
关 recompute 4096 – none – 92.1 +21.8% 0.74×
并行策略 TP4/EP2/PP2 8192 – full – 105.7 +39.8% 2.58×
TP2/EP4/PP1 8192 – full – 142.5 +88.5% 0.80×

PF = padding_free，RC = recompute_granularity，PLE offload = PLE_CPU_OFFLOAD=1；“–” 表示关闭/默认。耗时列是单步时长的相对值，数值越大越慢（如 1.32× = 每步耗时是基线的 1.32 倍）。

强化学习（GRPO）

8 卡 GRPO LoRA 训练，rollout 使用 colocate 模式的 vLLM，max_completion_length 为 8192：

# 8*135G
SYSTEM_PROMPT="Please reason step by step, and put your final answer within \\boxed{}."

PLE_CPU_OFFLOAD=1 \
CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7 \
NPROC_PER_NODE=8 \
PYTORCH_CUDA_ALLOC_CONF='expandable_segments:True' \
megatron rlhf \
    --rlhf_type grpo \
    --model Qwen/Qwen3.8-Flash-Next \
    --dataset open-r1/DAPO-Math-17k-Processed \
    --system "$SYSTEM_PROMPT" \
    --tuner_type lora \
    --lora_rank 8 \
    --lora_alpha 32 \
    --target_modules in_proj out_proj linear_proj linear_qkv \
    --tensor_model_parallel_size 2 \
    --expert_model_parallel_size 4 \
    --expert_tensor_parallel_size 1 \
    --pipeline_model_parallel_size 2 \
    --decoder_first_pipeline_num_layers 12 \
    --sequence_parallel true \
    --moe_permute_fusion true \
    --moe_aux_loss_coeff 1e-3 \
    --recompute_granularity full \
    --recompute_method uniform \
    --recompute_num_layers 1 \
    --padding_free true \
    --use_vllm true \
    --vllm_mode colocate \
    --vllm_enable_lora false \
    --vllm_gpu_memory_utilization 0.35 \
    --vllm_tensor_parallel_size 8 \
    --vllm_max_model_len 9216 \
    --sleep_level 2 \
    --offload_model true \
    --offload_optimizer true \
    --offload_bridge false \
    --num_train_epochs 1 \
    --global_batch_size 8 \
    --micro_batch_size 1 \
    --steps_per_generation 1 \
    --num_generations 4 \
    --reward_funcs accuracy \
    --max_length 1024 \
    --max_completion_length 8192 \
    --temperature 1.0 \
    --loss_type grpo \
    --beta 0.0 \
    --lr 5e-5 \
    --save_safetensors true \
    --merge_lora false \
    --logging_steps 1 \
    --log_completions true \
    --output_dir output