一个月的活一周干完！英伟达世界模型训练速度飙升400%

英伟达世界动作模型 DreamZero 训练一次要烧 8 张 H100 整整 25 天，RLinf 从算子融合到 I/O 全链路系统级重构，把训练吞吐拉高近 4 倍——1 个月的活，1 周就能干完。

在通往 AGI 的道路上，世界模型（World Model）被视为让 AI 真正理解并预测物理世界的关键拼图。

英伟达近期重磅发布的世界动作模型（WAM） DreamZero 一经发布就在两项机器人基准测试 RoboArena 、MolmoSpaces 上双双登顶，在具身智能领域获得极大关注。

与传统VLA等模型不同，WAM将视频这一具备完整时空信息的载体当作自己的核心学习材料，并以一种「先理解世界如何变化，再决定自己如何行动」的模式，使模型天然获得互联网视频所蕴含的海量物理经验。

它不再需要大量重复演示来学习单一动作，而是能从多样化的数据中学习世界的物理规律，从而在从未见过的环境和任务中依然保持稳定执行能力。

当前最优的VLA模型与DreamZero世界模型在任务成功率、泛化性、跨本体等方面的直观对比

上面的表格直观的展示出 DreamZero 模型相比开源最优的 VLA 模型 π0.5，在任务成功率、任务泛化性、后训练对成功率的提升效果、以及跨真机本体的泛化性等方面具有明显的优势，实现了超过 2x 的成功率提升。

它的范式革新不仅大幅降低了学习成本，也让机器人的形态适配与技能拓展不再受限于大量专属数据，为多机型协同、快速部署与低成本迭代提供了可行路径。

然而，以 Diffusion 架构为主体的 WAM 多模态模型，也给算力和显存带来了巨大的挑战。

参考官方开源的 DreamZero 训练代码，采用 8 台 H100 训练 24750 万帧数据，完整训练周期长达 25 天，高昂的训练成本和耗时成为行业复现的主要门槛。

为助力前沿研究更高效地落地，无问芯穹与清华大学等联合推出的大规模强化学习框架 RLinf 已正式上线了对 DreamZero 训练的深度支持。

在实现功能适配的基础之上更进一步，依托 RLinf 强大的底层系统优化能力，对 DreamZero 的训练管线进行了深度的重构与加速。

相比 DreamZero 官方提供的基线训练脚本，RLinf 成功实现了近 4 倍的训练吞吐加速，且具有更好的收敛效果。

RLinf 是如何极致榨干 GPU 的每一滴算力，达成 4 倍训练加速的？接下来将为您一文拆解背后的核心优化思路与逻辑。

代码链接：https://github.com/RLinf/RLinf

Hugging Face链接：https://huggingface.co/RLinf

使用文档链接：https://rlinf.readthedocs.io/zh-cn/latest/rst_source/examples/embodied/sft_dreamzero.html

核心揭秘

近 4 倍加速背后的

3 大优化维度

为了打破官方脚本的性能瓶颈，RLinf 系统优化团队从计算图、FSDP2并行优化与全局参数调优、数据处理管线进行了深度优化。

极致的算子/计算图优化：Torch Compile + CUDA Graph

Python 层面的算子与调度开销往往是限制 GPU 峰值性能的「隐形杀手」。

在 RLinf 中，我们深度融合了torch.compile和 CUDA Graph 技术：

Torch Compile：通过底层编译优化，对算子进行深度融合（Kernel Fusion），包括 WanRMSNorm、adaLN-zero 等 Diffusion 架构中的低效算子。
CUDAGraph：将计算图固化，消除 GPU launch 的 CPU 调度瓶颈，在DreamZero的训练中，CausalWanSelfAttention 部分的kernel launch较为密集，CUDA Graph 可以做到有效优化。

通过该项优化技术，DreamZero 5B 和 14B 模型在不改变原有mbs=1（此处 mbs 指 mbs pergpu，下同）的配置下分别获得 50%（从1.8s/step降到1.2s/step）和 34%（从9s/step降到6.7s/step）的训练加速。

计算与显存的联合优化：解锁全方位性能调优

支持任意 Microbatch Size、并行方式的参数调优以及 Recompute（激活重计算），是业界训练大模型时必不可少的性能调优手段。

然而，在 DreamZero 官方的 baseline 中，存在着明显的工程局限，例如默认使用 DeepSpeed 的 zero2 offload 并行方法、image encoder 不拼 batch 逐样本执行等，大大降低了性能的调优空间。

RLinf 团队从底层夯实了工程底座，彻底修复了这些痛点，交付了一套健壮且高度可配的调优矩阵：

稳定适配 FSDP2：FSDP2 是 PyTorch 官方团队推出的最新 ZeRO 实现，也是 RLinf 面向中等规模大模型的默认并行方案。此前，在 DreamZero 官方代码中使用的 DeepSpeed 方案存在一定的局限性：由于 ZeRO3 与 VAE 模块中 causal conv 的上下文维护机制存在兼容性冲突，开发者往往被迫回退至性能较低的 ZeRO2 offload 模式。此外，DeepSpeed 在反向传播阶段的 post backward hook 产生了较高的 CPU 侧开销，制约了整体训练吞吐。通过向 FSDP2 训练后端的迁移，我们彻底解决了上述架构冲突与性能瓶颈。用户现在可以根据显存配置需求，在不同的分片策略间灵活切换，确保训练过程的高效与稳定。
灵活的 Microbatch 设置：在 FSDP2 支持 DreamZero 模型训练的初始版本中，Microbatch Size (mbs)、Recompute（激活重计算）与 FSDP2 的策略组合往往会触发复杂的底层计算图冲突，而且 image encoder 不拼 batch 会吞掉一部分开大 mbs 的加速收益。RLinf 通过工程上的努力，彻底解决了 mbs > 1 时与上述特性共存的不兼容问题，并且使得 image encoder 能够高效地拼 batch 执行。这一改进使训练系统具备了更高的灵活性：用户可以不受约束地配置任意 mbs，从而根据硬件资源的显存水位与计算吞吐需求，进行精细化的参数调优，在显存占用与执行效率之间达成更优的工程平衡。举例来说，对 DreamZero 5B 模型的训练，在不开启 Recompute 的情况下，mbs 开到2，相比于原来的 mbs 只能开到1，单步耗时几乎没有变化，1.2s/step 变到 1.3s/step，吞吐增加 85%。
Recompute机制与加速算子的深度协同：针对 PyTorch 原生框架在复杂并行策略下的兼容性局限，RLinf 通过深度的底层工程优化，实现了 Recompute（激活重计算）与 CUDA Graph、FSDP2 的稳定解耦与协同。这一改进将 Recompute 转化为一个高可靠、可量化的性能调优维度。在显存受限的硬件环境下，系统能够以微小的计算耗时为代价，换取显著的显存空间释放，从而支持更大规模的并行任务，大幅提升整体训练吞吐。在 DreamZero 5B的训练中，在不开启 Recompute 情况下，单卡 mbs 只能开到2，最佳速度约 1.2s/step，即1.7 samples/sec/gpu，有 Recompute 情况下，单卡 mbs 开到 32 可获得 7.2 s/step，即 4.4 samples/sec/gpu，同等算力下吞吐提升 158%。可以看到，开启 Recompute 使 mbs 得以大幅增加，从而大大提升算子效率。

通过以上FSDP2、mbs、Recompute 的全局参数调优，在 DreamZero 5B 模型训练上，我们在第一项算子优化的基础上（即 1.2 samples/sec/gpu）将训练性能进一步提升了 266%，达到 4.4 samples/sec/gpu。

突破 I/O 吞吐瓶颈：高效视频数据处理管线

随着计算密度（即上述两项优化）的显著提升，数据加载效率逐渐成为制约整体训练吞吐的新瓶颈。

在 DreamZero 的训练实践中，视频数据的解码与预处理过程极其消耗 CPU 资源。

传统的方案（如 PyAV）在解码性能上难以支撑高频的吞吐需求；而单纯通过增加dataset的num_workers来尝试「通过数量换速度」往往治标不治本——过多的数据读取进程会剧烈抢占 CPU 资源，进而导致训练主线程的内核下发（Kernel Launch）出现延迟，反而拖慢了 GPU 的执行节奏。

为了在「解码速度」与「系统资源开销」之间寻找最优解，RLinf 团队对主流的视频处理库进行了深度的性能 Benchmark：

虽然 Decord 在纯解码速度上略胜一筹，但Torchcodec在保持同梯队性能的同时，表现出了更优的 CPU 占用稳定性。

这使得我们能够预留出足够的计算余量给训练主线程，并支持开启更多的num_workers来并发处理数据。

相比原生的 PyAV 方案，单个视频的解码时间缩短了近 400ms。在 DreamZero 多视角（左视角、右视角、腕部视角三个视频）的训练场景下，视频解码时间累计节省了 1.2s。

这一I/O端的性能提升，为后续进一步压榨GPU计算潜力提供了充足的数据「弹药」。

02 性能实测

从「能跑通」到「极致高效」

的端到端跃迁

为了验证上述多维优化的综合成效，我们在Droid 数据集（单样本含左、右、腕部三个视角，视频规格 33 frames × 480 × 640）上，对 DreamZero 不同规模的模型进行了严格的端到端测试。

DreamZero-14B：大参数量下的吞吐飞跃

在 14B 大模型上，由于显存压力巨大，官方基线通常被迫采用 DeepSpeed ZeRO-offload 方案，这导致了严重的计算/通信浪费与 CPU 换入换出开销。

在 14B 模型上，RLinf 相比原生 DeepSpeed 方案实现了2.7 倍的加速；即便相比于未经优化的 FSDP2，吞吐量也进一步提升了35%。

DreamZero-5B：算力密度的极致压榨

对于 5B 中等规模模型，RLinf 的优势在于能够通过高效率的重计算逻辑稳定开启更大的 Microbatch Size (mbs)，并配合其他计算图调优，彻底释放 GPU 算力。

通过 RLinf 调优，训练吞吐从官方代码的 1.1 samples/sec/gpu 飙升至4.44 samples/sec/gpu，相比于有诸多限制的 FSDP2 Base 更是实现了惊人的5.84 倍性能飞跃。

14B 模型和 5B 模型的单步时间和吞吐，全程使用8xH100测试。其中14B模型使用MBS=1和GBS=8进行测试，这是因为该模型中间维度较大，使用 mbs=1 也能取得较优的算子效率并掩盖FSDP2的通信开销。对于 5B 模型，我们使用 GBS=256。FSDP2 Base 版本由于一些 PyTorch 的 bug 不能开大 MBS ，导致吞吐受限，这主要是因为小 MBS 下算子效率不高、CPU开销显著以及FSDP2 通信不能被掩盖；我们解决了这些问题，并且取得了较大的吞吐增长。

训练收敛效果测试：追求速度，更要保证精度

在极致的性能优化之外，确保训练的正确性与收敛稳定性是框架落地的基石。

我们对 RLinf 版本的 DreamZero 进行了严格的收敛性验证。

下图展示了 DreamZero 5B 模型在 LIBERO 数据集上的 Loss 曲线对比（配置：LR = 1e-5，Global Batch Size = 256，8卡H100，训练38小时）。

Loss 曲线对比分析：图中橙线（RLinf）与蓝线（官方 Baseline）呈现一致的收敛趋势。值得注意的是，官方代码在训练过程中 Loss 波动较为剧烈，这源于其以 Episode 为粒度进行数据读取；而 RLinf 通过底层重构，实现了 Episode 内部的 Step 粒度随机采样，有效平滑了训练过程中的噪声，提升了梯度更新的稳定性。

橙线是RLinf训练曲线，蓝线是DreamZero官方代码训练曲线，两者在三类loss和grad_norm指标上的对比

为了进一步验证性能优化的有效性，我们对 RLinf 训练的9k到21k Step 的 Checkpoint 在 LIBERO 仿真器的 Spatial Benchmark 上进行了端到端测评（每个 Checkpoint 执行 512 条轨迹，单 Episode 最大长度 480 步），具体成功率如下表所示：