面壁智能披露 ForgeTrain 训练框架:8 小时追平 Megatron-LM,MFU 提升约 8% 至 10%
在2026年6月27日的“AI4AI发酵夜”交流活动上,面壁智能AI Infra技术负责人李宇轩介绍了自研生产级预训练框架ForgeTrain,称该框架通过自动化流程在8小时内追平Megatron-LM性能,并在1.5至2天内稳定反超,MFU提升约8%至10%,已迁移至MiniCPM4-0.5B/8B等模型并兼容H100及华为昇腾NPU。
海宇数科 · 事件日期 · 更新于 · 约 2 分钟 · 1 次阅读

在大模型迭代周期不断缩短的背景下,面壁智能于2026年6月27日联合OpenBMB开源社区与AGI BAR举办“AI4AI发酵夜”交流活动,其AI Infra技术负责人李宇轩在会上介绍了自研生产级预训练框架ForgeTrain,并围绕“用AI制造AI”的思路说明该框架的设计逻辑与实际表现。
李宇轩表示,互联网高质量数据与算力供给的边际效益正在递减,依靠增加数据和算力投入的传统路径逐渐接近上限;ForgeTrain 的思路是由 AI 针对特定模型和硬件架构从零生成专用训练框架,而不是由人工维护覆盖广泛场景的通用软件栈。
据活动披露的实测结果,ForgeTrain通过自动化流程在8小时内达到业界旗舰框架Megatron-LM的性能水平,并在1.5至2天内实现稳定反超,MFU(算力利用率)提升约8%至10%。相关能力已迁移至MiniCPM4-0.5B/8B等不同模型,并兼容H100及华为昇腾NPU等多种硬件平台。
这一过程依托李宇轩总结的“四阶段Harness优化流程”:从确保二进制一致性的Anchor阶段开始,经过Bit-for-Bit基础功能生成,随后在解除约束后进入Surpass性能冲刺,最后进入逐项深度定制算子的Per-Op阶段。各环节由AI判定,无需人工干预,从而将原本依赖长期人力积累的工程问题拆解为可由AI自动处理的技术任务。
李宇轩将这一实践概括为“Forge Engineering”,认为其代表面向AI时代的工程新范式。他同时提出,未来个人定制模型助手将成为可能,软件形态也会随之发生较大变化。
在开源生态与技术壁垒方面,李宇轩认为Coding Agent正在降低传统CUDA生态的迁移成本,竞争焦点从“代码受信”转向“智能受信”;他提出后续研究应聚焦AGI路径中较陡峭的环节,即推动AI从解决问题走向提出新范式。
