تُقدّم SLAI إطار عمل T-Rex، وهو إطار تحسين متكامل للتدريب اللاحق الكامل المعلمات لنماذج MoE ذات الحجم التريليوني من المعلمات على Ascend NPU SuperPOD. باستخدام عائلة نماذج DeepSeek-V4 كحملة عمل مستهدفة، يتعامل النظام مع ضغط الذاكرة وأعباء الاتصال من خلال التسامح المتوازي الهرمي وتحسينات تنفيذ النواة.

  • حقّقت البنية التحتية نسبة استغلال عمليات الفلوبيغ للنموذج (MFU) بنسبة 34.22٪، ممثلة تحسناً بمقدار 2.93 مرة مقارنةً بالخط الأساسي مفتوح المصدر مع الحفاظ على استقرار التدريب.
  • تم إنشاء سير عمل يجمع بين CPT وSFT لمهام بحوث العمليات المعقدة، مستفيداً من وثائق التحسين التركيبية التي تحققها أدوات الحل.
  • يحتوي مجموعة البيانات الناتجة على 10 آلاف عينة SFT عالية الجودة تغطي أربع فئات مهام وثلاث تمثيلات للمشكلة.
  • حقق النموذج المتخصص متوسط درجة Pass@1 بدون أمثلة (zero-shot) بنسبة 71.81٪، متفوقاً على GPT-5.4-Mini والنموذج الأساسي DeepSeek-V4-Flash بنقطتي نسبة 3.98 و11.27 على التوالي.

تُظهر هذه الدراسة مساراً شاملاً للتدريب اللاحق الفعال على بنية Ascend، مما يدفع أنظمة النماذج المتقدمة نحو الاستدلال المعقد.