1 项目背景
业务场景
算法团队用单个 BERT 模型做的工单分类效果不错，但产品经理提出新需求：用更大的模型（XLM-RoBERTa-large，560M参数）在 50 万条多语言工单上训练。小陈在单卡 A10（24GB）上尝试训练，设 batch_size=4 就 OOM 了，降到 batch_size=2 后训练跑起来了，但一个 epoch 要跑 6 小时，3 个 epoch 就是 18 小时——周五下班前提交的任务，周一早上来看可能还在跑。
更糟糕的是，训练过程中 GPU 突然报错CUDA out of memory——某个 batch 恰好包含几条超长工单，tokenize 后长度 400+，显存峰值超出了 24GB。训练中断后模型没做 checkpoint 保存，loss 回退到上一个 checkpoint，白白浪费了半天。
公司有 4 张 A10 闲置，但团队之前只用过单卡训练，没搞过多卡。
痛点
从单卡到多卡，不是简单的"把代码复制到 4 张卡同时跑"：
- 数据并行 vs 模型并行：数据并行是每张卡有完整模型副本，各自算不同数据，最后同步梯度。模型并行是把模型切到不同卡上。什么时候用哪种？两者能不能结合？
- 同步开销：4 张卡各自算完梯度后，需要跨卡通信求平均——NCCL通信有开销，卡太多反而拖慢训练
- 随机种子一致性：多卡训练时 DataLoader 的随机种
