Новости
Accelerating Dropless MoE Training in JAX with NVIDIA Transformer Engine
NVIDIA Developer · Опубликовано · 3 мин чтения
За 30 секунд
- Что произошло
- NVIDIA Transformer Engine with JAX achieves 10.4x throughput improvement for Mixture of Experts training, reaching 1,068 TFLOPS/GPU on DeepSeek-V3.
- Почему это важно
- Matters for engineers training large MoE models at scale who need to maximize GPU utilization and reduce inter-GPU communication overhead.
- На что обратить внимание
- Dropless MoE requires specialized kernels for variable token counts; standard capacity-based MoE may remain simpler for some use cases despite efficiency tradeoffs.
- mixture of experts
- qwen
- deepseek
Паттерны, стоящие за этой новостью
Каждый разбирает, как работает техника, когда она оправдывает затраты и где ломается.
The Agent Architect
Один паттерн, один компромисс, одна история сбоя в продакшене. Короткий еженедельный брифинг для тех, кто строит агентные системы.
Одно письмо в неделю, отписка в один клик. Адрес используется только для рассылки брифинга.