SLAI ने T-Rex पेश किया, जो Ascend NPU SuperPOD पर ट्रिलियन-पैरामीटर-स्केल MoE मॉडल्स के पूर्ण-पैरामीटर पोस्ट-ट्रेनिंग के लिए एक एंड-टू-एंड ऑप्टिमाइजेशन फ्रेमवर्क है। लक्ष्य वर्कलोड के रूप में DeepSeek-V4 मॉडल फैमिली का उपयोग करते हुए, सिस्टम हियरार्किकल पैरेलेलिज्म और कर्नेल एक्जीक्यूशन ऑप्टिमाइजेशन के माध्यम से मेमोरी प्रेशर और कम्युनिकेशन ओवरहेड को संबोधित करता है।
- इंफ्रास्ट्रक्चर 34.22% मॉडल FLOPs उपयोग (MFU) हासिल करता है, जो खुले-सोर्स बेलाइन की तुलना में 2.93x सुधार का प्रतिनिधित्व करता है जबकि ट्रेनिंग स्थिरता बनाए रखी जाती है।
- जटिल ऑपरेशंस रिसर्च कार्यों के लिए एक संयुक्त CPT और SFT वर्कफ्लो स्थापित किया गया है, जिसमें सॉल्वर-सत्यापित सिंथेटिक ऑप्टिमाइजेशन दस्तावेज़ों का उपयोग किया जाता है।
- परिणामी डेटासेट में चार कार्य श्रेणियों और तीन समस्या निरूपणों को कवर करने वाले 10K उच्च-गुणवत्ता वाले SFT नमूने शामिल हैं।
- विशेष मॉडल ने 71.81% औसत जीरो-शॉट Pass@1 स्कोर हासिल किया, जो GPT-5.4-Mini और बेस DeepSeek-V4-Flash दोनों से क्रमशः 3.98 और 11.27 प्रतिशत अंक से बेहतर है।
यह कार्य Ascend इंफ्रास्ट्रक्चर पर कुशल पोस्ट-ट्रेनिंग के लिए एक फुल-स्टैक पथवेट को प्रदर्शित करता है, जो जटिल तर्क के लिए फ्रंटियर-मॉडल सिस्टम को आगे बढ़ाता है।