大模型训练采用ZeRO优化器的核心原因在于它通过细粒度的状态划分与通信优化，显著降低了显存占用，使得在有限硬件资源下训练千亿级参数模型成为可能，同时大幅提升了训练效率。
为什么传统优化器在大模型面前“力不从心”
在深度学习早期，训练一个几亿参数的模型，普通的Adam优化器配合数据并行（Data Parallelism）就能轻松搞定，那时候，每张显卡上都会完整保存一份模型副本，对于小模型来说，这没什么问题，但当模型参数量突破百亿、千亿大关时，这种“笨重”的方式就开始暴露致命缺陷。
业内专家指出，传统数据并行的显存瓶颈主要源于三个部分：模型状态、梯度以及优化器状态，以常见的Adam优化器为例，它不仅需要存储模型权重，还需要维护动量和方差两个一阶和二阶矩估计，这意味着，优化器状态占用的显存往往是模型权重的两到三倍，如果模型本身占用100GB显存，优化器状态就要额外占用200-300GB，再加上反向传播产生的梯度，以及激活值（Activation）带来的临时存储,单卡显存瞬间就被吃干抹净。
显存碎片的隐形杀手
除了总量不足，显存的碎片化也是个大问题，在训练过程中，激活值需要根据前向传播的结果动态计算，这些临时数据往往占据显存的大部分空间，一旦模型变大，激活值的显存开销呈线性甚至超线性增长，当显存被这些临时数据填满后，连存放模型权重和优化器状态的余地都没有了，直接导致OOM（Out Of Memory）错误,训练被迫中断。
ZeRO如何像“俄罗斯方块”一样优化显存
ZeRO（Zero Redundancy Optimizer）的核心理念非常直观：既然每张卡都存一份完整的模型是浪费，那为什么不把模型切分开，让每张卡只存自己负责的那一部分呢？这就好比一群人合住一个房子，以前每人搬进一套完整的家具，现在大家把家具拆开，每人只负责摆放一部分,通过协作完成整个房间的布置。
三级优化阶梯：从ZeRO-1到ZeRO-3
ZeRO并非单一技术，而是一套分级优化方案,针对不同规模的模型提供不同程度的显存节省。
ZeRO-1：优化器状态分区
这是最基础的优化，它将Adam优化器的状态（动量和方差）均匀切分，分布在所有GPU上，每张卡只保存自己负责的那部分优化器状态，而不是全量副本，通信方面，在反向传播结束后，需要一次性All-Gather操作来收集所有优化器状态，以便更新权重，这一步就能节省约2-3倍的优化器显存。
ZeRO-2：梯度分区
在ZeRO-1的基础上，进一步将梯度也进行分区存储，每张卡只计算并存储自己负责部分的梯度，更新权重时同样需要All-Gather，这使得显存节省效果更加明显,进一步优化了通信与计算的重叠。
ZeRO-3：模型参数分区
这是ZeRO的终极形态，也是大模型训练的主流选择，它不仅分区优化器状态和梯度，还将模型权重本身也切分存储，每张卡只保存部分权重，前向和反向传播时，通过All-Gather动态获取所需权重，计算完后再丢弃，这种极致的显存压缩，使得单张卡的显存需求大幅下降,允许在相同硬件下训练更大规模的模型。
通信开销的权衡艺术
有人可能会问，把数据切得这么碎，通信量不是爆炸了吗？确实，ZeRO-3引入了大量的All-Gather通信操作，但现代集群网络（如InfiniBand）的带宽已经非常高，且ZeRO通过优化通信模式，将通信与计算重叠，使得整体训练效率并未显著下降，相反，由于显存释放，我们可以使用更大的Batch Size，从而更充分地利用GPU算力,抵消通信带来的延迟。
ZeRO在实际工程中的落地表现
在2026年的今天，ZeRO已经成为大模型训练的标配技术，无论是百度文心一言、阿里通义千问，还是开源的LLaMA系列，背后都有ZeRO的身影，它解决了“买不起更多显卡”的痛点,让中小团队也能参与大模型训练。
硬件成本的显著降低
对于企业而言，ZeRO带来的最大价值是成本节约，假设训练一个千亿参数模型，传统方法可能需要1000张A100显卡，而使用ZeRO-3，可能只需要500-600张就能完成相同规模的训练，这不仅减少了硬件采购成本，还降低了机房电力、冷却和维护费用，据行业共识认为,ZeRO技术使得大模型训练的边际成本降低了近一半。
训练稳定性的提升
除了省钱，ZeRO还提升了训练的稳定性，由于显存占用降低，梯度爆炸或数值不稳定的风险也随之减小，ZeRO-3支持混合精度训练，进一步加速了计算过程，在实际操作中，开发者只需在配置文件中启用ZeRO-3，并调整相应的超参数,即可享受这些红利。
ZeRO与其他并行策略的对比选择
在大模型训练中，并行策略的选择至关重要，常见的并行方式包括数据并行、模型并行和流水线并行，ZeRO主要解决的是数据并行中的显存冗余问题,因此它通常与其他并行策略结合使用。
数据并行 vs 模型并行
数据并行适合模型较小、数据量大的场景，它通过复制模型来加速训练，模型并行则适合模型极大、无法单卡容纳的场景，它通过切分模型层来突破显存限制，ZeRO本质上是数据并行的增强版，它在保持数据并行简单性的同时,通过状态分区解决了显存瓶颈。
流水线并行的互补
当模型大到连ZeRO-3都无法单卡容纳时，就需要引入流水线并行，流水线并行将模型层切分，不同层分布在不同GPU上，通过流水线调度执行，ZeRO可以与流水线并行结合，形成“ZeRO+Pipeline”的混合并行策略,这是目前超大规模模型训练的最佳实践。
常见问题解答
大模型训练为什么用ZeRO优化器
ZeRO通过分区存储优化器状态、梯度和模型权重，消除了数据并行中的显存冗余，使得在有限显存下训练更大规模模型成为可能,同时保持了较高的训练效率。
ZeRO-3相比传统数据并行有什么优势
ZeRO-3将模型权重也进行分区存储，相比传统数据并行，显存占用可降低3-4倍，允许使用更大的Batch Size和更深的网络结构,显著提升了硬件利用率。
ZeRO优化器是否会增加训练时间
ZeRO引入了额外的通信开销，但通过通信与计算重叠技术，整体训练时间并未显著增加，反而因显存释放允许更大的Batch Size,从而加速了收敛过程。
首发原创文章，作者：王坚，如若转载，请注明出处：https://idctop.com/article/411901.html
