SLAI T-Rex：在Ascend SuperPOD上对DeepSeek-V4系列的全参数后训练

SLAI T-Rex在Ascend NPU SuperPOD上对DeepSeek-V4系列模型进行全参数后训练，实现了34.22%的模型算力利用率（MFU），比开源基线提升2.93倍。随后构建约1万条高质量SFT样本的运筹学领域数据管道，使DeepSeek-V4-Flash在零样本Pass@1成绩达到71.81%，超越GPT-5.4-Mini和原始模型。

此前大规模LLM后训练主要依赖GPU集群，该方案首次在Ascend NPU集群上实现万亿参数级MoE模型的高效训练，MFU显著超越开源基线，证明NPU路线在大模型领域的可行性和竞争力。

通过模型级并行、计算通信编排和底层核执行三级优化框架缓解内存压力和通信开销，提升训练效率；再基于优化后的基础设施，利用求解器验证的合成文档和领域数据构建CPT+SFT流程，增强模型在运筹学任务上的推理能力。

使用Ascend NPU的团队可获得现成的高效训练方案，降低对GPU的依赖；运筹学场景可快速获得专用高性能模型，提升自动化决策精度，减少人工设计启发式的需求。

• 基于SLAI T-Rex框架为使用Ascend NPU的客户提供模型后训练优化服务
• 推出面向供应链、物流等运筹学场景的DeepSeek-V4-Flash专用API
• 开发结合求解器验证的运筹学数据合成工具，提升领域模型的SFT质量

• 该框架在其他NPU平台或更大规模集群上的可移植性如何？
• 运筹学模型在真实业务场景中的推理延迟和部署成本是多少？
• 10K样本数据集是否计划公开或作为商业许可发布？
• 该优化方案对训练稳定性的具体影响是否有更详细的实验数据？