小红书、北大开源 UltraEP：面向大规模 MoE 训推的最优负载均衡方案

作者：袖梨 2026-07-21

小红书技术REDtech 2026-07-20 16:01 上海

让理想专家负载均衡走进生产

随着新一代混合专家（MoE）模型的总参数量迈向万亿规模，专家并行（EP）已经成为训练和推理的主流方案。

但一个常被忽略的问题是，即使模型在预训练时已经做了负载均衡算法调控，在真实训推中，不同 GPU 的计算负载仍然可能相差数倍。

这意味着：

有 GPU 提前算完却只能等待；
token all-to-all 通信也出现瓶颈；
高负载 GPU 的峰值显存骤增，易触发 OOM；
理想（完美均衡）吞吐和真实水平相差多达一倍。

为此，小红书和北大提出UltraEP，首次把基于「精确」路由信息的「实时」负载均衡引入生产系统：在每个 microbatch 和每一层动态复制热点专家，让真实训推也能逼近理想性能。

UltraEP 平均达到理想性能的94.3%，相比业界 SOTA 训推框架提升1.49 倍，并应用在了大规模预训练的实际生产中。

论文：

https://arxiv.org/abs/2606.04101

技术报告：

https://dots-infra.github.io/UltraEP/zh/

代码：

https://github.com/Dots-Infra/UltraEP

随着 MoE 模型参数量不断扩大，大规模专家并行在生产场景中越来越常见：专家分散在不同设备上，token 通过 all-to-all 通信在专家间交换。

专家负载不均是影响实际训推吞吐的关键变量：路由是动态的，不同专家、不同设备接收到的 token 数天然不均。

现有方案里最有代表性的是EPLB (DeepSeek, 2025)（https://github.com/deepseek-ai/EPLB），它根据上一个时间窗口的历史路由，周期性地重新摆放专家。这类“预测性”方法有个隐含前提——负载得是相对静态的。

可现实恰恰相反。当下主流的细粒度 MoE（几百个“小”专家）负载高度动态，历史信息很快过时，冷热专家预测频频失准，均衡操作甚至会变成负优化。

UltraEP 为什么能做到「最优」负载均衡

UltraEP 走了一条看似激进、但最直接的路：基于门控后的真实负载，在每个 microbatch 中的每层实时做专家重均衡。

这消除了预测偏差，但代价也很明显：预测式方法可以提前把开销掩盖或平摊掉，而 UltraEP 的开销全暴露在关键路径上，还是在 microbatch 这个最细粒度上高频发生。

基于一个通信前提和一系列控制面-数据面优化，UltraEP 能把关键路径开销压到300µs以内，并达到近乎最优的均衡效果。

首先，UltraEP 限定热点专家复制在高带宽 scale-up 域内进行，避免跨机专家搬运。这是实现百微秒量级专家复制的通信前提。

更关键的是，UltraEP 设计了一个高效的均衡方案在线求解算法，以及一套高度优化的专家权重/梯度通信算子，将均衡操作本身的开销降到最低。

关键设计：让最优负载均衡走进生产

UltraEP 的定位是生产级专家均衡库，遵循以下设计原则：

独立的 Python/CUDA 运行时，与 DeepEP 或训推框架解耦。
GPU-native 的计算/通信过程，和 host 没有数据交互。
保持数学等价性，以及与其他常用训推配置的兼容性；
高效的显存管理，将额外显存开销压到最低。

在这些原则的基础上，我们归纳了 UltraEP 的关键设计：

UltraEP 给每个 rank 预留固定 slot 放“冗余专家”（热点专家的副本），运行时无动态显存分配。副本不需要维护优化器状态，梯度会在反向中实时归约回原专家。

更关键的是权重/梯度 buffer 采用跨层复用：以 Qwen3-235B 为例，单个冗余 slot 的额外显存开销能从 9.9 GB 降到 108 MB。

实时负载均衡最大的挑战，在于新增的计算和通信是否会拖慢训练或推理过程。

前向传播中，UltraEP 需要在门控完成后获取全局负载，才能进行复制方案求解（replication planning）和专家权重分发（weight distribution）。重路由（reroute）负责在同一个固有专家的多个副本间分流 token。相比于前两个操作，重路由更轻，且基本都可以被权重分发掩盖。

在控制面的均衡方案求解中，此前方法把“专家放置”和“token 重路由”看作解耦的两阶段，容易互相拖累。

UltraEP 直接求解每个专家实例最终会接到多少负载（quota），把两阶段耦合起来：每一步探索既能实例化新副本，也能更新负载分布。借助 warp-level 并行，EP64 下求解时间仍保持在 100µs 以内。

在数据面上，专家权重分发和梯度归约都是高度动态、稀疏的通信，经典集合通信库和 in-switch 卸载都吃不下这种非规则模式。更棘手的是，少数热专家副本极多，其所在 rank 的对外多播会成为新瓶颈。

为了打满 scale-up 物理带宽，UltraEP 基于持久化算子（persistent kernel）实现，将专家权重或梯度切分成若干 tile，利用内存语义和 TMA 进行异步的卡间数据搬运。

为了消除通信热点，UltraEP 设计了分片流式中继（chunk streaming relay）的通信策略，按实时流量构建两阶段中继树，让低流量 rank 帮忙分摊、转发热点流量，并通过 chunk 级流式转发避免全局 barrier 和通信 bubble。

反向传播时，专家重分发和梯度归约（gradient reduction）可以和其他反向计算 overlap。UltraEP 精细控制它们的 SM 占用和共享内存 footprint，避免拖慢反向计算，并用保序累加保证梯度归约的确定性。

除了均衡算法，UltraEP 还提供了一套可视化 profiler，对均衡前后的负载情况进行层次化分析：既能一览全局分布，也能看清每个 microbatch 中具体的冷热 rank 和专家负载，从而全面评估均衡效果和剩余瓶颈。

在 Qwen3-235B、GLM4.5/4.7、DeepSeek-V3 等模型上，我们分别基于 Megatron-LM（训练）和 SGLang（推理 prefill）做了评估，训练统一用 EP64 的专家并行，推理则根据模型专家数采用 EP64 或 EP40。

训练实验结果，包括吞吐（TFLOPS/GPU）和总体均衡度。

推理实验结果，包括 TTFT 随每秒请求数（RPS）的变化，以及总体均衡度。

主要结果：

训练：平均达到理想吞吐的94.6%，相比 Megatron-LM提升42%；
推理 prefill：达到理想吞吐的90%–97%，相比 SGLang提升1.56 倍；
EPLB、LPLB 因历史滞后、复制预算受限，效果始终落后于 UltraEP。

值得一提的是，UltraEP 把 rank 间不均衡从 1.30–4.01 稳定压到1.01–1.04。它与理想上限之间剩下的差距，主要来自实际路由下各专家负载的固有非一致性和少量控制开销，而不是残余不均衡或关键路径开销。

UltraEP 已经在正式生产中部署。在一个 288B 参数 MoE 模型的完整预训练中，UltraEP 保持了不低于理想性能 92% 的水平，显著提升并稳定了长周期训练吞吐。

UltraEP 的核心判断是：随着通信带宽提升，实时、精确的系统侧负载均衡会成为专家并行的基础能力。算法侧均衡负责训练稳定性和专家特化（specialization），系统侧均衡则负责把每个 microbatch 中已经发生的负载偏斜重新摊平；二者目标不同，但可以自然叠加。

下一步很自然的扩展是 RL 场景。由于面向特定领域数据，且没有预训练中的算法侧均衡调控，专家负载往往表现出ReLibra（https://arxiv.org/abs/2605.08639）观察到的，类似推理 prefill 中的强动态性。因此，UltraEP 有机会成为 MoE RL 基础设施中统一的负载调节层。

魏新明

小红书 dots infra 组实习生，北京大学计算机学院在读博士生，主要从事软硬件协同设计、MoE 训推优化等工作。

涂涂（戴拓）

小红书 dots infra 组工程师，博士毕业于北京大学，主要从事大模型预训练框架开发与优化、软硬件协同优化等工作。

我们是负责支撑dots系列大模型的工程团队 —— dots infra。团队业务覆盖大模型infra的核心场景，包括文本/多模理解大模型的预训练、多模生成模型的预训练、通用/应用等方向后训练、dots 系列模型的推理服务、data infra、模型codesign等多个方向。这里有硬核且纯粹的工程师团队，成员拥有顶级技术背景（多篇系统顶会、OI 选手/ICPC world final），日常讨论技术氛围浓厚；还有行业内最顶级的施展空间，包括世界级算力规模、全栈自研技术栈、千万级 DAU 战场、Deep Co-design 机会。