9月11日，摩尔线程正式推出并开源其大模型分布式训练仿真工具simumax v1.0，在显存占用与性能仿真精度方面实现重大突破，同时新增多项核心功能，显著提升对各类模型的兼容性与使用灵活性。
SimuMax是一款专为大语言模型（LLM）分布式训练负载打造的仿真工具，能够为从单张显卡到上万张GPU集群的场景提供高效模拟支持。
该工具无需实际完成整个训练流程，即可高精度预测训练过程中的显存消耗和性能表现，帮助开发者提前评估训练效率，优化资源配置与计算策略。
依托自研的静态分析架构，摩尔线程通过融合成本模型、内存模型以及屋顶模型（Roofline Model），构建出高度精准的训练过程仿真系统。
SimuMax全面支持多种主流分布式并行方式及优化技术，适用于以下典型应用场景：
1、并行策略支持：
数据并行（DP）、张量并行（TP）、序列并行（SP）、流水线并行（PP）、专家并行（EP）
2、优化技术覆盖：
ZeRO-1、完整重计算、选择性重计算、融合内核等
3、目标用户群体：
希望探索最优训练配置以提升效率的研究人员与工程师；
从事AI框架或大模型算法开发的技术团队，可用于调试与性能优化；
芯片设计厂商，用于硬件性能预估与架构迭代参考。
本次发布的SimuMax 1.0版本最突出的升级在于仿真准确性的大幅提升，为用户提供更可信的分析依据。
针对Dense模型和MoE（混合专家）结构，显存使用预测误差稳定控制在1%以内。
大模型 Token 成本节约工具。在请求到达大模型之前自动压缩 prompt 和上下文，减少 60-95% 的 token 消耗，直接降低 API 成本。支持 Claude/OpenAI/Gemini 等主流模型，提供代理模式、CLI 包装、Python SDK 和 MCP Server 四种接入方式。内置一键安...
实测结果显示，在多种主流GPU平台上，当前最佳性能预测误差持续低于4%。
此外，SimuMax 1.0还引入了一系列关键新特性，适配更复杂的模型结构与高效训练需求：
MLA架构支持：
新增对MLA（Multi-Head Latent Attention）模型结构的支持；
增强流水线并行（PP）能力：
支持对模型首层与末层的细粒度划分控制，优化流水线阶段间的负载均衡；
提升MoE灵活性：
在混合专家模型中允许自定义Dense层配置，增强模型设计自由度；
Megatron生态兼容：
提供便捷的模型迁移路径，可快速导入并分析基于Megatron框架构建的模型，强化与现有开发生态的协同能力；
重计算策略精细化：
实现更细粒度的选择性重计算机制，便于在内存节省与计算开销之间进行精确权衡；
全面效率评估功能：
新增对不同张量形状与内存布局下计算效率、资源利用率的深度分析模块。
