XTuner（InternLM 出品）现已是 V1——一个专为超大规模 MoE（混合专家）模型设计的下一代训练引擎。与传统 3D 并行架构不同，它针对当下学术界主流的 MoE 训练场景做优化：支持最高 1T 参数的 MoE 训练、Dropless 训练、长序列，并率先在 200B+ MoE 上让 FSDP 吞吐超过传统 3D 并行方案，还特别优化了昇腾（Ascend）NPU。许可为 Apache-2.0，Python，约 5,138 stars。它面向超大 MoE 的预训练、指令微调与强化学习。
来源：README.md（描述、XTuner V1、Key Features、Roadmap）；GitHub 仓库元数据（stars=5138、license=Apache-2.0、language=Python） 查看 GitHub 仓库 →MoE 已成超大模型主流（DeepSeek-V3、Qwen3-MoE、Kimi-K2 等），但其训练的并行与效率很有挑战。XTuner V1 针对 MoE 重新设计训练引擎——Dropless、长序列、最高 1T 参数，并在 200B+ 规模上让 FSDP 吞吐超过传统 3D 并行、在昇腾 A3 上效率超过 NVIDIA H800，对训练超大 MoE 的团队很有吸引力，因而受关注。截至数据采集约 5,138 stars。
来源：README.md（XTuner V1、Key Features）；GitHub 仓库元数据（stars=5138、topics 含 deepseek-v3/qwen3-moe/kimi-k2）200B 级 MoE 无需专家并行、600B 仅需节点内专家并行，专家并行维度更小，Dropless 训练更高效。
来源：README.md（Key Features → Dropless Training）内存优化让 200B MoE 在 64k 序列上无需序列并行即可训；支持 DeepSpeed Ulysses 序列并行线性扩展，专家负载不均下仍稳定。
来源：README.md（Key Features → Long Sequence Support）支持最高 1T 参数 MoE；首个在 200B+ MoE 上 FSDP 吞吐超越传统 3D 并行；昇腾 A3 效率超 H800。
来源：README.md（Key Features → Superior Efficiency）面向超大 MoE 的预训练、指令微调与强化学习，特别优化昇腾 NPU，目标成为通用训练后端。
来源：README.md（Roadmap）XTuner V1 是 Python 训练引擎，专为超大 MoE 优化。关键设计：① Dropless 训练——200B 级 MoE 无需专家并行即可训练，600B 仅需节点内专家并行，专家并行维度比传统 3D 更小、更高效；② 长序列支持——通过内存优化在 64k 序列上训 200B MoE 而无需序列并行，并全面支持 DeepSpeed Ulysses 序列并行（最大序列长度线性可扩展），在专家负载不均下仍稳定；③ 卓越效率——支持最高 1T 参数 MoE，首个在 200B+ MoE 上 FSDP 吞吐超越传统 3D 并行，并针对昇腾 NPU（A3 Supernode 效率超 H800）做硬件优化。路线图覆盖预训练、指令微调与 RL，并致力于成为可与开源生态集成的通用训练后端。
来源：README.md（XTuner V1、Key Features 三项、Roadmap）中心为项目本体，内环 = 核心功能模块，外环 = 关键技术依赖；按 deep.json 中的 core_features 与 tech_stack.key_deps 自动生成
PyTorch FSDPDeepSpeed Ulysses（序列并行）昇腾 NPU / NVIDIA GPU适合训练超大规模 MoE 模型的研究机构与团队：对 200B–1T 参数的 MoE 做预训练、指令微调或 RL，且希望用更简单的并行策略（Dropless、更小专家并行）与长序列支持获得高吞吐；尤其适合在昇腾 NPU 上训练或需要超过传统 3D 并行效率的场景。它面向有大规模算力的训练场景，是 MoE 训练的引擎层。
来源：README.md（XTuner V1、Roadmap、Key Features）XTuner V1 于 2025/09 发布，是面向超大 MoE 的下一代训练引擎，带 Dropless 训练、长序列、最高 1T 参数与昇腾优化。路线图持续提升超大 MoE 的预训练、指令微调与 RL 效率，并致力于成为与开源生态集成的通用训练后端。
来源：README.md（News、XTuner V1、Roadmap）XTuner V1 把训练引擎重新为「超大 MoE」设计：Dropless、长序列、最高 1T 参数，并在 200B+ MoE 上让 FSDP 吞吐超过传统 3D 并行、用更简单的并行策略，还深度优化昇腾 NPU，覆盖预训练/微调/RL。对训练超大 MoE 的研究机构与团队很有价值。要清楚它门槛很高（需大规模算力集群）、V1 较新生态仍在演进、且是训练后端而非应用工具。作为面向 MoE 的下一代训练引擎，它定位前沿、效率与并行设计都很有针对性。
来源：综合 README.md 的 MoE 训练引擎定位、效率与硬件优化