跳到正文
Hugging Face Blog·· 21 小时前AI 评分56

TorchNeuron 发布公共测试版，Hugging Face 库原生支持 AWS Trainium

TorchNeuron: running HF models on AWS Trainium is easier than ever

AI 导读

Hugging Face 宣布 TorchNeuron 于 2026 年 10 月 20 日起开放公共测试，可通过 pip install torch-neuronx 安装。

正文 · AI 翻译

TorchNeuron 在 AWS Trainium 上为 PyTorch 提供了全新的原生后端。Transformers、Diffusers 和 Kernels 原生支持它，让在 Trainium 上运行模型并将其分享到 HF hub 变得前所未有的简单。

TorchNeuron

TorchNeuron 是一个 PyTorch 插件，为 Trainium 带来了新后端，支持即时执行模式、torch.compile 以及 FSDP 和 TP 等原生分布式 API。 阅读 PyTorch 的博客了解更多关于 TorchNeuron 的信息。

自 2026 年 10 月 20 日起，TorchNeuron 将以公开测试版的形式发布。研究人员和开发者将能够通过 pip install torch-neuronx 安装它。

新后端，HF 库中的原生接口

迄今为止，Hugging Face 在 AWS Trainium 和 Inferentia——分别为大规模低成本训练和推理而设计的 AI 芯片——上的体验是通过 optimum-neuron 提供的。该库依赖 torch-neuronx 包，而该包基于 PyTorch XLA。这在当时是自然的选择，但这意味着要像编译器一样思考：用惰性张量代替即时执行，只支持静态形状，每次图中断都需要重新编译。Optimum Neuron 的存在就是为了隐藏这种复杂性，并为此维护了自定义代码（建模类、训练器等）。

TorchNeuron 改变了这一点。它直接集成到 PyTorch 中，并将 neuron 作为原生设备暴露出来，支持即时执行、PyTorch 自身的分布式原语（DTensor、FSDP2）以及 torch.compile。

对于 Hugging Face 的各个库来说，Trainium 成为了与其他设备无异的设备：Transformers、Diffusers、Accelerate、PEFT 和 TRL 可以直接在上面运行，使用的类和脚本与在任何其他加速器上完全相同。从现在起，我们建议 Neuron 用户直接使用这些库，而不是通过 Optimum Neuron。

Transformers

推理

Transformers 现在对众多模型原生支持文本生成。借助 TorchNeuron，使用量前 100 的文本生成模型架构中有 89% 开箱即受支持，而使用 Optimum Neuron v0.4.5 时这一比例仅为 46%。你只需在代码中传入 device_map=neuron 参数，模型就会被移动到 Neuron 设备上。

以下是一个使用张量并行进行文本生成的示例，它能让你充分利用 Neuron 实例。请注意，它使用静态缓存进行生成，因为在 Neuron 上强烈建议这样做，以防止频繁重新编译。

import os

import torch
import torch.distributed as dist
import torch_neuronx  # noqa: F401
from torch.distributed import DeviceMesh
from transformers import AutoModelForCausalLM, AutoTokenizer, GenerationConfig
from transformers.distributed import DistributedConfig
from transformers.generation.configuration_utils import CompileConfig

MODEL_ID = "Qwen/Qwen3.8-27B"
MAX_SEQ_LEN = 1024
PREFILL_CHUNK_SIZE = 512

dist.init_process_group(backend="neuron")
world_size = dist.get_world_size()

model = AutoModelForCausalLM.from_pretrained(
    MODEL_ID,
    dtype=torch.bfloat16,
    distributed_config=DistributedConfig(tp_size=world_size),
    device_mesh=DeviceMesh("neuron", list(range(world_size))),
).eval()

tokenizer = AutoTokenizer.from_pretrained(MODEL_ID)
if tokenizer.pad_token is None:
    tokenizer.pad_token = tokenizer.eos_token
tokenizer.padding_side = "left"

inputs = tokenizer.apply_chat_template(
    [{"role": "user", "content": "The future of AI is"}],
    add_generation_prompt=True,
    padding=True,
    tokenizer_kwargs={"pad_to_multiple_of": PREFILL_CHUNK_SIZE},
    return_tensors="pt",
)

generation_config = GenerationConfig(
    max_new_tokens=128,
    do_sample=False,
    use_cache=True,
    pad_token_id=tokenizer.pad_token_id,
    eos_token_id=tokenizer.eos_token_id,
    cache_implementation="static",
    max_cache_len=MAX_SEQ_LEN,
    prefill_chunk_size=PREFILL_CHUNK_SIZE,
    compile_config=CompileConfig(backend="neuron", fullgraph=False, dynamic=False),
)

with torch.no_grad():
    output_ids = model.generate(
        inputs["input_ids"],
        attention_mask=inputs["attention_mask"],
        generation_config=generation_config,
    )

if dist.get_rank() == 0:
    prompt_len = inputs["input_ids"].shape[1]
    print(tokenizer.decode(output_ids[0, prompt_len:], skip_special_tokens=True))

训练

现在 Neuron 已成为原生 PyTorch 设备，在 Trainium 上训练使用的 Hugging Face 库与其他任何加速器相同：Transformers、Accelerate、PEFT 和 TRL。你不再需要专用的训练器或模型代码的 Neuron 专用分支。只需进行少量 Neuron 特定设置，标准的 TRL 微调脚本即可在 Trainium 实例上运行。

以下是一个基于 TRL 的 SFTTrainer 构建的监督微调脚本。如果你以前用 TRL 在 GPU 上微调过模型，它看起来应该很熟悉。

import os

import torch
from datasets import load_dataset
from transformers.distributed import DistributedConfig

from trl import ModelConfig, ScriptArguments, SFTConfig, SFTTrainer, TrlParser


def main(script_args, training_args, model_args):
    # The Neuron backend can't compile Dynamo's automatic dynamic shapes yet (https://github.com/huggingface/trl/issues/7660)
    torch._dynamo.config.automatic_dynamic_shapes = False

    training_args.model_init_kwargs = {
        "revision": model_args.model_revision,
        "trust_remote_code": training_args.trust_remote_code,
        "attn_implementation": model_args.attn_implementation,
        "dtype": model_args.dtype,
        "device_map": None,
    }
    if int(os.environ.get("WORLD_SIZE", "1")) > 1:
        # The model is sharded on the TP x FSDP grid as its weights are loaded
        training_args.model_init_kwargs["distributed_config"] = DistributedConfig(
            tp_size=int(os.environ.get("TP_SIZE", "1")),
            fsdp_size=int(os.environ.get("FSDP_SIZE", "1")),
        )

    # Prepare dataset
    train_dataset = load_dataset(
        script_args.dataset_name,
        name=script_args.dataset_config,
        split=script_args.dataset_train_split,
    )
    # UltraChat also has a string `prompt` column, which makes TRL treat it as a prompt-completion dataset.
    train_dataset = train_dataset.select_columns(["messages"])

    # Training
    trainer = SFTTrainer(
        model=model_args.model_name_or_path,
        args=training_args,
        train_dataset=train_dataset,
    )

    trainer.train()
    trainer.save_model(training_args.output_dir)
    trainer.end()


if __name__ == "__main__":
    parser = TrlParser((ScriptArguments, SFTConfig, ModelConfig))
    script_args, training_args, model_args = parser.parse_args_and_config()
    main(script_args, training_args, model_args)

并行由 Transformers 原生处理。你把一个包含张量并行（TP）和 FSDP 大小的 DistributedConfig 放入 model_init_kwargs，SFTTrainer 将其传递给 from_pretrained，模型在加载权重时就会被分片。Trainer 会检测到模型已经是分布式的，不会再次包装它。你不需要 --fsdp 标志或 Accelerate 的 FSDP 配置。

脚本中没有任何内容与 Trainium 绑定：相同的代码可以在任何硬件上运行。在 Trainium 上运行时，有几点值得注意：

  • 静态形状。该脚本在 torch.compile 中禁用了自动动态形状，并使用封装打包来生成最多 2048 个 token 的序列。在 TRL ≥ 1.16 中，Neuron 上的批次会被填充为 128 token 的倍数，从而限制输入形状的数量。编译后的计算图会在后续具有相同形状的步骤中复用。
  • 开启 torch.compile。只需传入 --torch_compile true 即可：在 Trainium 实例上，torch.compile 会自动检测设备并选择 Neuron 后端，无需其他配置。
  • 关闭异步权重加载。Transformers 内置的异步权重加载在 Neuron 上不受支持，因此我们目前通过 HF_DEACTIVATE_ASYNC_LOAD=1 将其禁用。

下面的命令使用 torchrun 启动训练，它为每个 NeuronCore 启动一个进程。TP_SIZE 和 FSDP_SIZE 设置并行布局，它们的乘积就是进程数：这里是 4 x 8 = 32，与 --nproc_per_node 相匹配。这 32 个进程构成一个 4 x 8 的网格。张量并行将每一层切分到 TP 组的 4 个核心上，而 FSDP 则在 8 个 TP 组之间分片参数、梯度和优化器状态。

TP_SIZE=4 FSDP_SIZE=8 HF_DEACTIVATE_ASYNC_LOAD=1 uv run torchrun --nproc_per_node=32 sft_neuron_example.py \
    --model_name_or_path Qwen/Qwen3-8B \
    --dataset_name HuggingFaceH4/ultrachat_200k \
    --dataset_train_split train_sft \
    --output_dir Qwen3-8B-sft-tp4-fsdp8 \
    --dtype bfloat16 \
    --max_length 2048 \
    --packing true \
    --packing_strategy wrapped \
    --learning_rate 2e-5 \
    --warmup_steps 0.03 \
    --num_train_epochs 1 \
    --logging_steps 2 \
    --per_device_train_batch_size 4 \
    --gradient_accumulation_steps 4 \
    --save_only_model true \
    --torch_compile true

我们在 8 块 Trainium2 芯片（32 个 NeuronCore）上运行了该任务，这正好是半个 trn2.48xlarge 实例。

训练会运行至完成，trainer.save_model 会写入标准的 Transformers 检查点。其中没有任何与 Neuron 绑定的内容：你可以原样将其推送到 Hugging Face Hub，并在任何其他硬件上加载。

Diffusers

推理

Diffusers 库中的许多流水线在 eager 模式和编译模式下都与 TorchNeuron 兼容。FLUX.1-dev、FLUX.2、Qwen-Image、Qwen-Image-2.1 和 H3 还兼容张量并行，以充分发挥你的 Neuron 设备的性能。以下是一个展示如何使用 TP 的示例：

import torch, torch.distributed as dist, torch_neuronx # TP
from torch.distributed.device_mesh import DeviceMesh # TP
from diffusers import QwenImage21Pipeline, QwenImage21Transformer2DModel, TensorParallelConfig

# Distributed devices initialization
dist.init_process_group(backend="neuron") # TP
dev = torch.neuron.current_device()
mesh = DeviceMesh("neuron", list(range(8))) # TP=8

# Pipeline initialization
model = "Qwen/Qwen-Image-2.1"
transformer = QwenImage21Transformer2DModel.from_pretrained(
    model,
    subfolder="transformer",
    torch_dtype=torch.bfloat16,
    parallel_config=TensorParallelConfig(mesh=mesh), # TP
)
pipe = QwenImage21Pipeline.from_pretrained(
    model,
    transformer=transformer,
    torch_dtype=torch.bfloat16,
)
pipe.vae.to(dev)
pipe.transformer.compile_repeated_blocks(backend="neuron", fullgraph=True, dynamic=False)

# Image generation
emb, mask, _ = pipe.encode_prompt(prompt="A capybara wearing a wizard hat, oil painting", device="cpu")  # text encoder stays on CPU
image = pipe(
    prompt_embeds=emb.to(dev),
    prompt_embeds_mask=mask.to(dev) if mask is not None else None,
    height=1024,
    width=1024,
    num_inference_steps=40,
    generator=torch.Generator("cpu").manual_seed(0), # same noise on every rank
).images[0]
if dist.get_rank() == 0:
    image.save("out.png")

你可以使用以下命令运行这段代码：NEURON_LOGICAL_NC_CONFIG=2 torchrun --nproc_per_node=8 run.py。

将会有越来越多的流水线兼容 TP。如果你喜欢的某条流水线尚不兼容，也可以按照本指南为其添加支持。

内核

请务必查看Neuron 团队的内核，越来越多的 Neuron 内核将在 Hub 上发布，用于加速你的模型。 Neuron 内核可以使用 Neuron Kernel Interface（NKI）编写，它提供了更底层的控制来优化操作。这样，用户可以运行自己的自定义操作，并在 Hub 上分享它们。

例如，你可以使用这个内核来加速你的视觉 Transformer，在 Trainium 上最高可获得 2.4 倍的加速！

致谢

特别感谢 AWS 团队在 TorchNeuron 上所做的工作，以及对我们反馈的快速响应，使 HF 集成尽可能完善。

来源： Hugging Face Blog · huggingface.co

#产品更新#部署/工程#开源生态#Hugging Face