nemo-mbridge-perf-sequence-packing

序列打包技能

如需了解稳定的背景信息和推荐级别，请参阅：

• @docs/training/packed-sequences.md
• @skills/nemo-mbridge-perf-sequence-packing/card.yaml

启用

用于 LLM 微调的离线打包 SFT：

from megatron.bridge.data.datasets.packed_sequence import PackedSequenceSpecs

cfg.train.micro_batch_size = 1
cfg.dataset.seq_length = 4096
cfg.model.seq_length = 4096
cfg.dataset.dataset_kwargs = {"pad_to_max_length": True}
cfg.dataset.packed_sequence_specs = PackedSequenceSpecs(
    packed_sequence_size=4096,
    pad_seq_to_mult=1,
)

如果启用了 CP：

cfg.model.context_parallel_size = 2
cfg.model.calculate_per_token_loss = True
cfg.ddp.average_in_collective = False
cfg.dataset.packed_sequence_specs.pad_seq_to_mult = cfg.model.context_parallel_size * 2

# If sequence_parallel is also enabled, use lcm(2*CP, CP*TP):
# import math
# cfg.dataset.packed_sequence_specs.pad_seq_to_mult = math.lcm(2 * CP, CP * TP)
# See src/megatron/bridge/training/vlm_step.py for reference logic.

如果为此打包路径启用了 CUDA graphs：

cfg.dataset.packed_sequence_specs.pad_cu_seqlens = True
cfg.dataset.dataset_kwargs["pad_to_max_length"] = True

注意：pad_cu_seqlens = True 还要求打包数据集旁边有一个元数据 JSON 文件（在 src/megatron/bridge/data/datasets/sft.py 中断言）。缺少元数据文件的自定义打包数据集会在数据集初始化时触发断言。

用于 VLM 微调的批内打包：

cfg.dataset.pack_sequences_in_batch = True
cfg.train.micro_batch_size = 2

长上下文基线：

cfg.model.seq_length = 16384
cfg.dataset.seq_length = 16384
cfg.model.context_parallel_size = 2

代码锚点

LLM 打包 SFT 配置项：

if packed_sequence:
    dataset_kwargs = {"pad_to_max_length": True}
    packed_sequence_specs = PackedSequenceSpecs(packed_sequence_size=seq_length, pad_seq_to_mult=pad_seq_to_mult)
else:
    dataset_kwargs = {}
    packed_sequence_specs = None

Bridge 验证：

if self.model.context_parallel_size > 1:
    assert self.model.seq_length % (self.model.context_parallel_size * 2) == 0, ...
    if isinstance(self.dataset, FinetuningDatasetConfig):
        assert self.model.calculate_per_token_loss, ...
        assert not self.ddp.average_in_collective, ...
...
if ... packed_sequence_size > 0 and self.train.micro_batch_size > 1:
    raise ValueError(...)
...
if getattr(self.dataset, "pack_sequences_in_batch", False) and self.train.micro_batch_size == 1:
    raise ValueError(...)

VLM 批内运行时：

if enable_packing:
    ...
    ) = pack_batch_sequences(
        ...
        pad_token_id=0,
        pad_to_multiple_of=cp_size * 2 if cp_size > 1 else 1,
    )

打包 THD 运行时限制：

if cu_seqlens.dim() > 1 and cu_seqlens.size(0) != 1:
    raise ValueError("Packed THD batches expect micro-batch size 1 for context-parallel slicing (THD layout)")

注意事项

1. 离线打包 SFT 和 VLM 批内打包是不同的功能，对微批次规则的要求正好相反。
2. 启用 CP 时，打包后的序列长度必须满足可被 2 * context_parallel_size 整除的要求。
3. 使用 CP 进行微调时，必须设置 calculate_per_token_loss=True 和 ddp.average_in_collective=False。
4. pad_cu_seqlens=True 还要求 pad_to_max_length=True。
5. 打包支持因模型系列而异。Qwen3-Next、GLM-4.5 和 Qwen3.5-VL 在不同路径中有明确的禁用设置。
6. 文档说明 MTP 微调与打包序列不兼容。

验证

使用仓库中已有的单元测试覆盖：

uv run python -m pytest tests/unit_tests/training/utils/test_packed_seq_utils.py -v && \
uv run python -m pytest tests/unit_tests/training/test_config.py -k "packed_sequence or pack_sequences_in_batch or context_parallel_seq_length_divisibility or context_parallel_finetuning_validations" -v && \
uv run python -m pytest tests/unit_tests/training/test_vlm_step.py -k "enable_packing" -v

成功标准：

• 第一条命令报告 8 passed
• 第二条命令报告 14 passed
• 第三条命令报告 2 passed