本文的第一作者羅琪竣、第二作者李夢琦為香港中文大學(xué)（深圳）計算機(jī)科學(xué)博士生，本文在上海交通大學(xué)趙磊老師、香港中文大學(xué)（深圳）李肖老師的指導(dǎo)下完成。

長序列訓(xùn)練對于模型的長序列推理等能力至關(guān)重要。隨著序列長度增加，訓(xùn)練所需儲存的激活值快速增加，占據(jù)訓(xùn)練的大部分內(nèi)存。即便使用梯度檢查點（gradient checkpointing）方法，激活值依然占據(jù)大量內(nèi)存，限制訓(xùn)練所能使用的序列長度。

來自港中文（深圳）和上海交通大學(xué)的團(tuán)隊提出StreamBP算法。通過對鏈?zhǔn)椒▌t進(jìn)行線性分解和分步計算，StreamBP 將大語言模型訓(xùn)練所需的激活值內(nèi)存（logits 和 layer activation）降低至梯度檢查點（gradient checkpointing）的 20% 左右。

• 論文標(biāo)題：StreamBP: Memory-Efficient Exact Backpropagation for Long Sequence Training of LLMs
• 論文：https://arxiv.org/abs/2506.03077
• 代碼：https://github.com/Ledzy/StreamBP

在相同內(nèi)存限制下，StreamBP 最大序列長度為梯度檢查點的 2.8-5.5 倍。在相同序列長度下，StreamBP 的速度和梯度檢查點接近甚至更快。StreamBP 適用于 SFT、GRPO、PPO 和 DPO 等常見 LLM 目標(biāo)函數(shù)。代碼已開源，可集成至現(xiàn)有訓(xùn)練代碼。

StreamBP 所需儲存的激活值和注意力掩碼（橙色）大幅低于梯度檢查點（橙色 + 白色部分）。

對于 lmhead 層，當(dāng)以 SFT 或 GRPO 為目標(biāo)函數(shù)時，觀察到不同位置的 logits 對于目標(biāo)函數(shù)的影響相互獨立。因此，StreamBP 從序列維度分塊，每次計算單塊損失函數(shù)的梯度，從而只需儲存單塊 logits 和 logits 梯度。

圖：StreamBP for SFT

圖：StreamBP for GRPO

對于 DPO，由于非線性 sigmoid 函數(shù)的存在，每個位置的 logits 對于目標(biāo)函數(shù)的影響并不獨立。StreamBP 利用 logits 梯度在序列維度的獨立性，分塊進(jìn)行梯度計算。

圖：StreamBP for DPO

實驗結(jié)果

我們在單張 A800-80GB GPU 上測試了不同大小的模型，StreamBP 的最大 BP 序列長度為標(biāo)準(zhǔn) BP 的 23-36 倍，梯度檢查點的 2.5-5.5 倍。

圖：不同序列長度下的 BP 峰值內(nèi)存

在現(xiàn)有 Transformers 框架下，StreamBP 的實現(xiàn)可避免計算掩碼部分的 pre-attention score（見論文 3.2.2 部分），在長序列訓(xùn)練下相較于梯度檢查點實現(xiàn)了加速。

通過使用 StreamBP，不同目標(biāo)函數(shù)下最大的序列長度得到了大幅提升。在同樣的序列長度下，StreamBP 允許更大的批處理大小以加速訓(xùn)練。

表：Qwen 3-4B 單個樣本 BP 時間，序列長度為 9000。

在 Deepspeed ZeRO 分布式訓(xùn)練模式下，Distributed StreamBP 比梯度檢查點的最大可訓(xùn)練序列長度提升了5—5.6倍。