今天聊點新東西——Unsloth 和 NVIDIA 官方聯手了，三個看起來很"無聊"的優化，組合起來直接把 LLM 訓練速度提了大約 25%

而且最騷的是：你不用換硬件、不用改代碼、不用換框架，升級一下 Unsloth 就能吃到紅利

這次到底動了什么

通常我們說"訓練加速"，第一反應是更快的 matmul、更好的 attention、fused kernel、grouped GEMM 這些大頭算子

但 Unsloth 團隊和 NVIDIA 工程師坐下來一起 profile 的時候，發現一個很反直覺的事實——那些大算子早就被卷到極致了，真正在拖后腿的，是算子之間的膠水代碼

具體表現是兩類：

1. GPU 在等"元數據"——一些只跟 batch 相關的小信息，每一層都重新構建一遍

2. 拷貝流和計算流被排成了一隊——明明可以并行，卻輪流執行

針對這兩類問題，他們在 Blackwell GPU 上做了三處改動：

• Packed-sequence 元數據緩存 ：PR unsloth#4243

• 雙緩沖的 checkpoint 激活回傳 ：PR unsloth-zoo#534

• GPT-OSS MoE 路由用 bincount 一次分組 ：PR unsloth-zoo#535

三個 PR 看著不起眼，但每一個的視角都挺值得學的

三個優化各打一處，組合 ~25% 優化一：別把同一份元數據重建 L 遍

先說一個微調里很常見的小技巧——packed sequence

短樣本一堆，如果按最長那個 padding 對齊，padding token 上浪費的算力不少。所以大家都改成把多條短樣本拼成一條長 sequence，再用一份"邊界元數據"告訴模型每條原樣本從哪到哪

這份邊界元數據 B 包括：

• 每條樣本的長度

• 累積偏移 cu_seqlens

• 最大序列長度

• 由上面三項推導出來的 attention mask 結構

關鍵來了：對一個 packed batch 而言，這份 B 在所有 transformer 層里是一模一樣的

但很多實現的寫法是：每一層走 attention 的時候，都重新算一遍 B、重新構建一遍 SDPA 的 packed mask、重新生成 xFormers 的 block mask

如果模型有 L 層，本來"build B 一次，用 L 次"的事情，被寫成了"build B + build B + ? + build B"，重復 L 次

更糟糕的是，這條路徑里有些調用會強制 device-to-host 同步，每一層都觸發一次 GPU-CPU 同步點

Unsloth 的改法很直接——給當前 packed batch 緩存一份元數據和 mask 結構，按設備分別緩存，后續所有層直接復用

數學上能直接算出來收益：假設原來每層附帶的同步/重建開銷是 s，緩存之后省下來的時間大概是 (L ? 1) · s

實測在 Qwen3-14B QLoRA SFT 上：

• 前向：+43.3%

• 反向：+5.8%

• 整個 batch：+14.3%

前向受益最大，因為元數據和 mask 準備主要發生在前向。反向因為本身計算量更大（尤其疊加 gradient checkpointing），同樣的絕對節省時間，相對比例就小一些

為了驗證這個數字合理，團隊還在 Blackwell 上做了微基準——一次 packed SDPA mask rebuild 大約 13.7 ms。按 (L ? 1) · m 估：

• Llama-3.2-1B ，16 層：每步省 199 ms，端到端約快 11.5%

• Qwen3-0.6B ，28 層：每步省 319 ms，端到端約快 14.8%

理論值和實測值對得上，這種"先優化、再用模型解釋清楚為什么有效"的思路，比單純丟一句"我們快了多少"靠譜得多

優化二：雙緩沖，讓拷貝藏在計算后面

第二個優化關系到 gradient checkpointing

這個技術微調老手都熟——為了省 VRAM，前向時不保留所有中間激活，反向時再重新算一遍。但 Unsloth 走得更激進，開了 smart checkpointing：把激活直接挪到 pinned CPU memory，反向時再傳回 GPU

省顯存是省了，但多了一條慢路徑：

1. 把激活從 CPU 拷回 GPU
2. 等拷貝完成
3. 在這塊激活上跑反向
4. 開始下一份激活的拷貝

如果只用一個 buffer，拷貝流和計算流就會輪流堵車——拷貝的時候計算閑著，計算的時候拷貝閑著

解法老到不能再老：雙緩沖

A buffer 在跑反向計算的時候，拷貝流就把下一層的激活預加載到 B buffer，反過來再換。中間層的拷貝就被藏在了反向計算后面

單緩沖 vs 雙緩沖：拷貝藏到計算后面

注意這個改動沒有減少任何運算，它只是把"原本被串行的工作"變成了"重疊的工作"

理論上每層的中間耗時從 c + g 降到 max(c, g)。第一次拷貝和最后一次計算還是要曝露出來，所以端到端節省是 (L ? 1) · min(c, g)

實測在 NVIDIA B200 Blackwell 上（dense 模型）：

模型規模

單步速度變化

提速

多用 VRAM

8B

0.3739 → 0.4053 steps/s

+8.40%

+0.37 GB

14B

0.2245 → 0.2395 steps/s

+6.70%

+0.47 GB

32B

0.1979 → 0.2070 steps/s

+4.61%

+0.23 GB

而且 final loss 基本沒變

注意到一個細節：模型越大，絕對節省時間越多，但相對加速反而下降——因為反向計算量本身就大了，能藏的時間相對沒那么顯眼

這里 Unsloth 留了幾個工程細節做兜底，挺值得學：

• VRAM 夠才開第二個 buffer

• 顯存吃緊自動 fallback 回單 buffer

• 數值結果保持一致

也就是說：你的卡顯存大就吃滿紅利，顯存小也不會因為這個改動 OOM

優化三：MoE 路由的"分組一次性做好"

第三個優化更冷門一點，針對 GPT-OSS 的 MoE 路由

PyTorch 實現里有個常見寫法：

for expert_idx in range(num_experts):
    token_idx, _ = torch.where(router_indices == expert_idx)

看起來人畜無害，但 torch.where 在這里是 data-dependent——每個 expert 拿到多少 token 是動態的，輸出 shape 不確定，會觸發 CPU-GPU 同步或者類似的 runtime 開銷

更糟的是：這個開銷一個 expert 一次，規模隨 num_experts 線性增長

Unsloth 的改法是把這事一次性做完：

1. 把所有 expert 分配 flatten

2. 按 expert ID 做 stable sort

3. 用一次 bincount 拿到每個 expert 拿到多少 token

4. 從 count 推導 offset

5. 直接按 offset 切 token list

邏輯沒變，但對 runtime 的"動態查詢次數"從 num_experts 直接降到 1

效果：

• GPT-OSS 端到端：**~10–15%** 提速

• 路由熱點路徑：前向 **+23%**，反向 +13%

注意一個邊界條件：這只在 native_torch 后端的 MoE 上生效，用 Megablocks/grouped GEMM 那一套的不歸這個改動管

三個優化合在一起：~25%

單看每個 PR：

優化

主要消除的瓶頸

實測收益

Packed-sequence metadata caching

跨層重復構建/同步元數據

Qwen3-14B QLoRA SFT：+14.3% per batch

Double-buffered checkpoint reload

拷貝和反向計算串行

8B +8.4% / 14B +6.7% / 32B +4.6%

GPT-OSS MoE routing with bincount

per-expert 動態索引同步

GPT-OSS 整體 ~10–15%

組合起來，官方給的口徑是 "~25% faster"

? 這里說一句實話——25% 不是疊加得到的精確數字。三個優化作用面不完全重疊（QLoRA SFT、checkpoint 路徑、MoE 路由），具體多少跟你訓什么模型、用什么后端、卡多大顯存都強相關

這是我最想說的一段——對家用 GPU 用戶尤其友好

這三個優化的觸發條件是你本來就在用的常見配置：

• Packed-sequence caching：用了 packing=True 的 SFT/QLoRA 都會自動吃到，是 Unsloth 默認推薦的做法

• 雙緩沖 checkpoint：用了 Unsloth smart gradient checkpointing 而且 VRAM 還有富余，自動啟用

• MoE routing：訓 GPT-OSS 系且走 native_torch 后端，自動啟用

啟用方式只有一行：

pip install --upgrade unsloth unsloth_zoo

這事的價值在于：以前這種"和廠商一起 profile 出來的內核優化"，基本都長在 Megatron-LM、NeMo、TRT-LLM 這種偏數據中心的棧里。家用 4090、5090、48GB 的工作站基本指望不上

現在 Unsloth 把它做進了一個 pip install 就能裝的庫里，你拿一張 RTX 4090 跑 Qwen3-14B 的 QLoRA，吃到的優化和數據中心 B200 上是同一份代碼

? 當然 24GB 卡跑不動 14B 全參，但 QLoRA + packing 是吃得到的；如果你有兩張 4090 / 一張 5090 / 一張 6000 Ada / DGX Spark 這種 48GB 級別的卡，受益會更明顯

很多人會問：HuggingFace 的 TRL + PEFT 不是也能做 QLoRA 嗎，區別在哪？

TRL/PEFT 的定位是通用、穩定、覆蓋廣——支持各種模型、各種任務、各種后端，但不會專門為某個后端做深度 profile

Unsloth 的定位完全不同——只支持一部分主流模型，但每個支持的模型路徑都被手擼過 kernel、profile 過同步點。這次和 NVIDIA 的合作，本質上是把數據中心級別的優化思路下放到家用 GPU 這一檔

實際選擇建議：

• 想在家用 GPU 上把單卡微調跑到極限，選 Unsloth

• 想兼顧多卡分布式、奇怪的模型、復雜的 RLHF pipeline，TRL + DeepSpeed/FSDP 更順手

• 不沖突，可以 Unsloth 做單卡微調原型，TRL 做大規模訓練

其實讀完這三個 PR，最大的感受不是"提速 25% 真香"，而是這種工程方法學的味道——

"內核之外，讓該并行的東西真的并行；讓該緩存的信息真的只算一次"

這背后是一句很樸素的話：當主算子被卷到極致后，"快"只剩兩條路——少做沒必要的事，把沒法避免的事并行化

這種思路放到推理優化、Agent 框架、RAG 流程里都成立。下次你看自己的 pipeline 慢的時候，先別急著換模型，profile 一下"重復構建的元數據"和"被串行的拷貝/計算"，往往才是真正的大頭

制作不易，如果這篇文章覺得對你有用，可否點個關注。給我個三連擊：點贊、轉發和在看。若可以再給我加個，謝謝你看我的文章，我們下篇再見！