К основному содержанию
скилл CX Codex

nemo-mbridge-perf-moe-long-context — скилл для Claude Code

Помогает подобрать context parallelism и selective recompute при обучении MoE-моделей на длинных контекстах в Megatron Bridge.

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add NVIDIA/skills --skill nemo-mbridge-perf-moe-long-context -a claude-code
Открыть на GitHub

Что делает nemo-mbridge-perf-moe-long-context

Скилл аккумулирует практические правила для распределённого обучения с длинными последовательностями в Megatron Bridge. При выходе за пределы 4K токенов память активаций становится главным барьером. Скилл предлагает базовую формулу для context parallelism: CP ~= seq_len / 4096 с округлением до степени двойки. Вместо полного пересчёта внимания рекомендуется selective recompute для блоков norm, mlp или moe.

База знаний опирается на тестовые прогоны DSV3 на H100 до 256K, а также Qwen3 235B на GB200 с диспетчерами DeepEP и HybridEP. Главное узкое место здесь — общее число ускорителей. Рост CP быстро сжимает бюджет data parallelism, поэтому приходится уменьшать глобальный размер батча.

Для стабильной работы скилл советует фиксировать микробатч и длину контекста. Динамические батчи ломают захват CUDA Graph, из-за чего приходится возвращаться к eager-режиму.

Какие задачи решает

  • рассчитать context parallelism для контекстов от 8K до 256K
  • устранить OOM при обучении MoE на длинных последовательностях
  • настроить selective recompute без лишней нагрузки на внимание
  • сконфигурировать диспетчеры DeepEP и HybridEP

Примеры запросов агенту

  • Помоги рассчитать CP и selective recompute для DSV3 на 128K токенов на H100
  • Как настроить HybridEP и параллелизм для Qwen3 235B на GB200?
  • Почему падает OOM при увеличении длины контекста в Megatron Bridge?

Как установить nemo-mbridge-perf-moe-long-context

1Через Skills CLI (Vercel)

npx skills add NVIDIA/skills --skill nemo-mbridge-perf-moe-long-context -a claude-code

2Вручную: положить файлы

~/.claude/skills/nemo-mbridge-perf-moe-long-context/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/nemo-mbridge-perf-moe-long-context/

По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов

Вопросы о nemo-mbridge-perf-moe-long-context

Как установить nemo-mbridge-perf-moe-long-context в Claude Code?

Выполните в терминале команду npx skills add NVIDIA/skills --skill nemo-mbridge-perf-moe-long-context -a claude-code.

Что делает этот скилл?

Он содержит проверенные конфигурации параллелизма и формулы расчёта CP для моделей MoE на архитектурах H100 и GB200.

Когда нельзя использовать CUDA Graph при длинном контексте?

CUDA Graph требует строго статичных размеров батча и фиксированной длины последовательности. Если данные используют динамический паддинг или плавающий размер батча, граф сломается и надёжнее оставаться на eager-режиме.

Исходный текст

SKILL.md · Apache-2.0
---
name: nemo-mbridge-perf-moe-long-context
description: Long-context MoE training guidance for Megatron Bridge. Covers CP sizing, selective recompute, dispatcher choices, and practical patterns from DSV3, Qwen3, and Qwen3-Next long-context experiments.
license: Apache-2.0
when_to_use: Training MoE at long sequence lengths, or investigating a commit that caused long-context MoE OOM or degraded throughput; 'long context MoE', '128k tokens', 'CP sizing for long sequences', 'selective recompute long context', 'MoE long-context OOM'.
---

# MoE Long-Context Training

Stable docs: @docs/training/moe-optimization.md
Card: @skills/nemo-mbridge-perf-moe-long-context/card.yaml

## What Changes At Long Context

Once sequence length moves well past the 4K-class regime, attention memory and
activation residency become the dominant constraints. For MoE models, that
usually means you need some combination of:

- context parallelism
- selective recompute
- lower precision
- CPU offload for optimizer state
- a dispatcher and PP layout that do not waste the smaller remaining DP budget

## Rounded Scaling Patterns

### DSV3 on H100

The DSV3 long-context runs show a stable pattern:

- selective recompute works better than full recompute once you move past the
  shortest contexts
- throughput stays in a fairly narrow band from mid-length through very long
  contexts if CP is increased appropriately
- the trade shifts from "memory fit" to "GPU-count feasibility" as CP grows

In other words, long context does not immediately collapse utilization if the
layout is chosen well, but it does consume the DP budget very quickly.

### Qwen3-Next on GB200

Qwen3-Next behaves more like a memory-sensitive medium-scale model:

- 8K and 32K remain practical with moderate CP
- 64K is possible, but the throughput drop is noticeable and memory becomes
  much tighter
- pipeline layout and grouped-GEMM improvements matter almost as much as CP

### Qwen3 235B on GB200

Qwen3 235B shows that long context can still be efficient on NVL72 systems when
TP, CP, and HybridEP are coordinated. The best 128K-class configurations are
not just "fit-only" recipes; they can remain highly efficient if routing,
parallelism, and recompute are balanced.

## CP Sizing Rules Of Thumb

1. **Start from a 4K shard target**: a good first guess is
   `CP ~= seq_len / 4096`, then round to a practical power-of-two layout.

2. **Keep DP alive if possible**: long-context scaling becomes brittle once CP,
   EP, TP, and PP together squeeze DP down to the floor.

3. **Prefer selective recompute**: recompute modules such as `up_proj`, `norm`,
   `moe`, `moe_act`, or `mlp` before reaching for full recompute.

4. **Avoid SDPA-heavy recompute at very long context**: recomputing attention
   internals can add a lot of work for less memory benefit than recomputing
   smaller MoE and MLP-side modules.

5. **Use TP as another lever on NVL72 systems**: GB200 and GB300 runs can
   sometimes trade some CP for TP while still staying efficient.

6. **Assume GBS will need to shrink**: as CP rises and DP falls, you may need
   to reduce global batch size or accept higher GA.

## Representative Config Families

### DSV3 at 128K on H100

```text
TP=1  CP=32  EP=32  PP=8  VPP=4
Precision: FP8-class
Dispatcher: DeepEP
Recompute: up_proj, norm, moe, mlp
Extra memory help: optimizer CPU offload
```

### DSV3 at 256K on H100

```text
TP=1  CP=64  EP=32  PP=8  EDP=2  VPP=4
Precision: FP8-class
Dispatcher: DeepEP
Recompute: up_proj, norm, moe, mlp
Extra memory help: optimizer CPU offload
```

### Qwen3 235B at 128K on GB200

```text
TP=4  CP=4  EP=32  PP=4  VPP=12
Precision: BF16 or MXFP8
Dispatcher: HybridEP
Recompute: moe_act, norm
CUDA Graph: attn + moe_router + moe_preprocess
```

## Recompute And CUDA Graph Guidance

For long-context MoE training:

- start with selective recompute
- add CUDA graphs only after the shapes and routing path are stable
- keep sequence length and MBS fixed when using CUDA graphs
- if the run depends on highly dynamic batches, prefer eager execution

Useful references:

- @docs/training/activation-recomputation.md
- @skills/nemo-mbridge-perf-cuda-graphs/SKILL.md

## Pitfalls

1. **CP does not replace EP or PP**: it adds another dimension; it does not make
   the others disappear.

2. **A good 4K baseline can still be a bad long-context baseline**: routing mode,
   recompute choice, and offload strategy often need to change.

3. **GPU-count feasibility becomes the real constraint**: very long context can
   look fine in a single recipe, then become impossible once EP and PP are added
   honestly across the full model.

4. **CUDA graphs need static shapes**: variable-length batches and opportunistic
   padding strategies can silently break the path.

5. **Container and kernel support matters more at 128K+**: long-context paths
   tend to rely on newer kernels and bug fixes than short-context bring-up does.

© NVIDIA · Apache-2.0 · NVIDIA/skills

Похожие скиллы

Всё по теме «ИИ и ML» →
nemo-guardrails Orchestra Research Скилл помогает настраивать runtime-защиту LLM-приложений: от проверки jailbreak до фильтрации PII. Пригодится для правил на Colang 2.0. CX Codex +1 944установок nemo-evaluator-sdk Orchestra Research Скилл запускает оценку языковых моделей на 100+ бенчмарках из 18+ харнессов: MMLU, HumanEval, GSM8K, safety и VLM. Пригодится, когда нужно сравнить модели воспроизводимо. CX Codex +1 943установок long-task-coordinator zhaono1 Ведёт многосессионную работу через файл состояния: восстановление после сбоев, явные статусы и честные отчёты о прогрессе. CX Codex +1 680установок flow-nexus-neural ruvnet Запускает обучение и инференс нейросетей в изолированных песочницах E2B через Flow Nexus. Пригодится для тренировки моделей и работы с готовыми шаблонами прямо из чата с агентом. CX Codex +1 1 100установок context-engineering addyosmani Помогает настроить контекст ИИ-агента: какие правила, спецификации и файлы отдать агенту и когда. Пригодится в начале сессии, при падении качества ответов и при смене задач. CX Codex +1 61 600установок context-budget affaan-m Показывает, какую команду открыть для проверки текущего контекста в Codex или Claude Code, а по явному запросу проверяет установленную конфигурацию. CX Codex +1 5 000установок

Из того же набора178

nemo-mbridge-resiliency Скилл описывает настройку отказоустойчивости в Megatron Bridge: перезапуски, детекцию отстающих рангов, преемпцию и повторные прогоны. CX Codex +1 1 800установок nemo-mbridge-perf-hierarchical-context-parallel Скилл настраивает иерархический контекстный параллелизм в Megatron-Bridge. Помогает масштабировать обучение длинных последовательностей при нехватке KV-голов. CX Codex +1 1 800установок nemo-mbridge-perf-moe-hardware-configs Справочник стартовых конфигураций обучения MoE для H100, B200, GB200 и GB300. Нужен для выбора диспетчера, параллелизма и проверки ожидаемой производительности. CX Codex +1 1 800установок nemo-mbridge-perf-moe-comm-overlap Скилл по перекрытию expert-parallel коммуникаций в Megatron Bridge: настройка dispatch/combine, flex-диспетчер и планирование expert wgrad. CX Codex +1 1 800установок nemo-mbridge-perf-expert-parallel-overlap Скилл для настройки и проверки перекрытия expert-parallel коммуникаций в Megatron-Bridge: диспетчеры alltoall и flex, DeepEP и HybridEP. CX Codex +1 1 800установок nemo-mbridge-perf-cpu-offloading Скилл помогает включить и проверить выгрузку данных на CPU в Megatron Bridge: активации по слоям и состояния оптимизатора через HybridDeviceOptimizer. CX Codex +1 1 800установок nemo-mbridge-perf-moe-optimization-workflow Скилл задаёт строгий регламент оптимизации пропускной способности MoE-моделей в Megatron Bridge. Пригодится при поиске причин падения скорости после правок конфига или кода. CX Codex +1 1 800установок nemo-mbridge-multi-node-slurm Переводит односерверные запуски в Slurm-задачи на несколько узлов и помогает искать сбои NCCL, запуска и памяти. CX Codex +1 1 800установок

Спонсоры проекта

Компании, которые помогают держать аналитику открытой