模型并行切分粒度的选择没有绝对最优解，核心在于匹配你的集群拓扑、显存容量与计算效率；粗粒度省通信但显存浪费严重，细粒度显存均衡但通信开销指数级上升，实操中往往需要在两者之间找到性价比拐点。
这几年做大模型训练,并行策略几乎是绕不开的坎，你可能会搜到各种关于模型并行训练切分粒度怎么选的文章，但真正落地时，很多人还是在张量并行、流水线并行和序列并行之间反复试错，今天这篇不聊空泛的理论，直接切入切分粒度的真实权衡场景，以及我们在实践中总结的取舍经验。
模型并行切分粒度怎么选：先看清通信与显存的天平
选择切分粒度,本质上是在做一道资源配置题，你的GPU卡间通信带宽、每张卡的显存容量、以及训练样本的序列长度，共同决定了最优解的位置。
Tensor Parallelism与Pipeline Parallelism的粒度差异
-
张量并行（TP）：将单个Transformer层的权重矩阵按行或列切开，分别放在不同GPU上，粒度细，但每个Transformer层的前向和反向计算都需要all-reduce通信，通信频率极高，比如在8卡A100节点内，NVIDIA NVLink的带宽能到600GB/s，TP8是可行的；一旦跨节点，网络带宽骤降为100Gb/s级别，同一切分粒度会导致通信等待时间成倍放大。
-
流水线并行（PP）：按层切分，将不同层放在不同设备上，粒度相对较粗，通信只发生在相邻切分点之间，每轮micro-batch只需传输一次激活值，通信频率远低于TP，但粗粒度带来的问题也很直接如果某几个层的显存占用极不均匀，卡的闲置概率会明显增加，出现“前卡忙死、后卡闲等”的负载失衡现象。
行业共识认为,TP适合单机多卡的高带宽环境，PP更适合跨节点的长管道传输场景，你问模型并行训练切分粒度怎么选，第一原则就是看你的通信硬件边界在哪。
切分粒度粗与细的实际开销对比
| 对比项 | 细粒度（TP为主） | 粗粒度（PP为主） |
|---|---|---|
| 通信频率 | 每个算子后都触发 | 仅切分边界触发 |
| 显存碎片 | 少，但单卡冗余量小 | 较多，需预留较大buffer |
| 负载均衡 | 强依赖均匀切分 | 层间大小不均时波动大 |
| 扩卡上限 | 受限于层内并行度 | 受限于总层数 |
| 典型场景 | 单节点8卡A100/H800 | 多节点大规模集群 |
这里有一个经常被忽视的细节：切分粒度越细，计算通信比越差，业内专家指出，当TP并行度超过单节点内的物理卡数时，通信时间可能占到总训练时间的40%以上，这个比例在千亿参数模型上会进一步恶化。
大模型并行切分方案对比：不同场景下的粒度偏好
不同规模的模型和不同硬件环境,对粒度的偏好差异很明显。
单节点场景下的细粒度实践
如果你只有一台8卡A100服务器,想训练一个13B左右的模型，此时TP=8往往是较为自然的选择，NVLink+NVSwitch的全互联拓扑能提供足够的通信带宽，细粒度切分带来的显存节省能让你塞进更大的batch size，实际操作上，配合序列并行（Sequence Parallelism），把LayerNorm和Dropout的激活值也切分开，显存占用能再降一截。
关键参数参考：
- 微批次大小（micro-batch）建议设为1或2，避免过多中间激活累计
- 梯度累积步数与PP的micro-batch数相乘等于全局batch size时，收敛稳定性更好
- 开启AMP混合精度后,注意TP通信的梯度压缩策略，避免精度损失叠加
多节点场景下粗粒度的妥协
跨节点训练时,网络延迟成为主要瓶颈，此时如果将TP粒度延续到跨节点，你会发现每个step都很慢网络往返延迟直接加在关键路径上，更常见的做法是：节点内使用TP细粒度切分，节点间使用PP粗粒度衔接。
一个典型的12节点96卡训练配置可能是这样的：
- 每个节点内TP=8，充分利用NVLink
- 节点间PP=12，将96层网络按层分布到12个节点
- 数据并行（DP）维度根据全局batch size调节
这种混合并行方案的存在本身,就说明了一个问题：真实的切分方案往往是多粒度共存的，单独谈论粒度的粗细没有多大意义，组合策略才是日常训练中的常态。
切分粒度影响训练效率的关键机制
要理解为什么粒度调整会产生这么多连锁反应,得稍微深入一点看计算图层面的事件序列。
气泡与激活值：两个最大的隐性成本
-
气泡：PP的粗粒度必然引入流水线气泡，即某些GPU在等待前一阶段的输出时处于空闲状态，切分越粗，阶段数越少，单个气泡的时间越长；但切分越细，阶段数越多，气泡出现的频率也越高，实践中，前向与反向的计算量比例约1:2，通过调整micro-batch数量来填充气泡，是一个需要反复试错的过程，我们一个具体的案例里，把1F1B调度下的micro-batch从4升到8，吞吐提升了约18%，但显存压力也随之增加。
-
激活值显存：细粒度TP切分能分摊激活值的存储压力，但代价是每一层都需要在通信算子处同步，模型并行训练时的显存权衡是个长期存在的痛点，尤其在序列长度超过4096的场景中，激活值的显存占用甚至可能超过权重本身，这时就需要考虑激活值重计算（activation recomputation），用额外的计算换显存通常是保留每一层的输入，反向时重算输出，显存能减少一半以上，但重算带来的计算开销约在20%-30%之间。
2D/2.5D并行与切分粒度的新变化
现在英伟达的Megatron-LM、华为的MindSpore，以及PyTorch的FSDP方案，都在往更灵活的混合并行方向演进，FSDP本身是把参数、梯度、优化器状态全部切分，属于比较粗粒度的策略，但它内部也支持逐层注册钩子来控制切分边界。
实操中,我们用PyTorch FSDP时，通常使用sharding_strategy=ShardingStrategy.SHARD_GRAD_OP，配合auto_wrap_policy按TransformerBlock维度切分，具体路径：torch.distributed.fsdp里的FullShard表示全切分，ShardGradOp表示只切梯度算子，不同配置在显存占用和通信量上的差异，多试几次就会有直观感受。
模型并行训练显存权衡与性价比曲线
聊完机制,回归到最实际的决策维度成本。
显存节省幅度与通信延迟的性价比拐点
当切分粒度从粗到细逐步变化时,显存占用确实是单调下降的，比如一个7B模型在BF16精度下，权重就占约14GB，如果再加上Adam优化器状态，单卡训练至少需要56GB左右显存，切分到2卡，每卡压力减半；切分到4卡，进一步减少。
但通信的开销却是阶梯式上升的：
- 从单卡到2卡,通信量增加一截
- 从2卡到4卡,通信占比明显提升
- 从4卡到8卡,如果跨节点，通信延迟可能突然恶化数倍
这个“显存收益衰减、通信成本陡增”的交点，就是我们说的性价比拐点，找到这个拐点的方法其实不复杂：固定你的global batch size，记录不同切分粒度下的有效吞吐（MFU），画出曲线，取峰值左侧的点作为生产配置。
多机多卡环境下的过犹不及
多机场景下,粗粒度能有效减少跨机的通信频率，但过粗也会带来另一个问题：单机故障影响面变大，如果你的PP深度等同于节点数量，一台机器挂了，整个训练任务基本就停了，所以实务中，很多团队会选择PP深度为节点数量的1.5倍到2倍，留出故障转移的余地。
如果你用的是公有云GPU实例,比如简米云的灵骏集群或AWS的ParallelCluster，网卡带宽和延迟在不同机型上的差异很大，通用的做法是在选型阶段用NCCL的all_reduce_perf
测试工具跑一遍，实际测出不同通信量下的时间开销，再代入你的切分方案进行计算。
模型并行训练调参实战：从理论到收敛
调参这件事,理论说再多都不如跑一次来得实在，但有一些经验可以作为起点，帮你少走弯路。
通信算子与切分策略的选择建议
我们团队在最终落地时,通常遵循这样一套判断流程：
- 先确认单卡显存能否装下权重+优化器状态+激活值，如果能，优先考虑纯数据并行
- 单卡放不下,尝试TP，但TP度不超过单节点GPU数
- TP无法覆盖时,叠加PP，PP深度根据机器数量决定
- 最后用ZeRO/FSDP兜底，处理剩余显存缺口
这套流程被很多内部项目反复验证,虽然不是唯一的路径，但至少是一个不太容易踩坑的起点。
从显存不足到训练加速的完整过程
举个例子,我们曾经在一个4节点、每节点8张A800的集群上训练一个70B模型，初始方案使用PP=4、TP=8，结果发现每个micro-batch的耗时达到了将近3秒，大部分时间都花在了节点间的激活传输上。
简单的调整是,把PP提高到8，TP降为4，虽然每层的计算并行度降低了，但单次通信的数据量也变小了，再配合将micro-batch从2调整到4，管道填充效果提升，最终训练吞吐提升了约25%，显存峰值也控制在安全线以内。
这中间的测试过程涉及一套可以复用的NCCL调试路径：
- 用
nsys profile抓取一个step的详细时间线，定位通信算子的耗时占比 - 使用
NCCL_DEBUG=INFO查看每次集合通信的消息大小和耗时 - 调整
NCCL_MAX_NCHANNELS或NCCL_NTHREADS参数，观察带宽利用率变化 - 结合
torch.profiler确认是通信瓶颈还是计算瓶颈
这些路径看起来繁琐,但在线上调优时，效果往往比拍脑袋猜测要好得多。
Q&A：关于模型并行切分粒度，你还需要知道的
Q：对于不太熟练的算法团队，一开始选粗粒度还是细粒度更稳妥？
A：粗粒度起步会更稳妥，PP的实现逻辑相对直观，调试成本更低，尤其适合刚接触分布式训练的小规模团队，细粒度TP每次改动切分边界都要重新验证正确性，且通信问题排查难度较大，如果不是有明确的显存压力，不建议一上来就挑战。
Q：模型并行训练时显存不够，主要有哪些可行的改进方向？
A：顺序依次是：开启激活值重计算、切换到梯度/优化器状态分片（ZeRO/FSDP）、调整Transformer层的并行切分方式、降低batch size，前两者通常能释放出相当可观的显存空间，且对训练吞吐的影响在可控范围内，如果仍不足，再考虑序列并行或上下文并行（Context Parallelism）等进阶方案。
首发原创文章，作者：王坚，如若转载，请注明出处：https://idctop.com/article/624977.html
