华为昇腾完成小红书开源大模型全量适配

近日，小红书正式发布dots3-note preview开源大模型，这是dots3系列的首个版本。该模型以280B总参数量、16B激活参数量构建能力底座，同时具备文本、视觉、语音全模态感知理解能力。官方表示，模型在推理、Agent及多模态感知等能力上进行了全面优化，在多项任务上取得了比肩国内外更大尺寸优秀模型的效果。

华为官方随即宣布，昇腾Atlas 800 A3、Atlas 900 A3 SuperPoD超节点已完成dots3-note preview的全量适配，并基于vLLM Ascend开源推理引擎提供完整的部署与推理能力。值得关注的是，在该模型发布当天，昇腾便完成了0 Day推理部署适配与性能优化，在完整保留模型文本、视觉、语音一体化全模态理解能力的前提下，实现了稳定运行与生成效率提升，为长程复杂任务场景智能落地提供算力支撑。

此次关键适配及优化点覆盖多个方面。首先是全模态端到端适配：基于vLLM Ascend推理框架，完成dots3-note preview文本、图片、音频全模态能力的端到端适配，打通视觉编码器、音频特征提取与LLM主干推理的全链路，完整保留模型原生多模态理解与交互能力，支持图文、音文、视频等多模态输入场景的稳定推理。

其次是框架深度特性优化，以释放硬件算力潜能。在FlashComm通信优化方面，针对AllReduce后RMSNorm、Dynamic Quant、MLA QKV降维等列向无关算子的冗余计算问题，通过数学等价变换将AllReduce拆解为ReduceScatter+AllGather，把列向独立算子前移至两阶段通信之间执行，彻底消除多卡间的重复计算，有效降低推理时延。在FUSED_MC2通算融合方面，启用MoE层dispatch_ffn_combine融合算子，将原本“dispatch、gmm1、swiglu、gmm2、combine”等通信的多段独立Kernel合并为单一大算子，通过减少Kernel Launch次数、通信与计算深度流水、中间张量不落盘等手段，显著提升MoE推理吞吐。

此外，昇腾还实现了MTP投机推理原生支持，攻坚增量解码时延瓶颈。针对增量推理阶段TPOT（单Token生成耗时）这一吞吐核心瓶颈，在vLLM Ascend中原生适配dots3-note preview的MTP投机解码能力，通过单次前向并行生成多Token候选并校验复用，大幅减少解码前向次数，有效降低TPOT、提升整体生成效率，更好满足高并发在线业务的低时延诉求。

此次昇腾与小红书开源模型的深度适配，进一步展示了国产AI算力栈对前沿开源大模型的快速响应能力，也为多模态大模型在复杂业务场景中的高效部署提供了可参考的技术路径。