Candies DLDL

Training

万卡训练网格

调度、网络、存储与能效同一控制平面，与 LLM 实验中枢共享 Checkpoint 与模型注册表。

Candies Training Mesh 以拓扑感知 placement 编排万卡作业：张量、流水线、数据与专家并行四维组合自动搜索，NCCL/RDMA 参数按集群指纹调优。节点失效时专家与数据分片 90s 内重映射，故障自愈率 99.7%；碳强度 gCO₂/kWh 摘要 42，可再生电力走廊优先调度。

• 并行策略自动搜索

  按模型规模与通信拓扑推荐 TP/PP/DP/EP 组合，扩展效率@8k GPU 摘要 92%。MoE 负载差 1.08，通信占比压至 18%；万亿 MoE 日处理 Tokens 公开案例 4T。

• 分层异步 Checkpoint

  CKPT 开销约 3%，恢复 <90s（较 Megatron 12 min 级显著缩短）。分层存储对接对象存储与并行文件系统，训练中断可回滚至最近一致步，实验元数据写入 LLM 研发控制台。

• 绿色调度与 SLA

  作业绑定可再生电力走廊与功耗封顶策略，碳报表纳入企业 ESG 仪表盘。集群 SLA 含 MFU、恢复时间与通信占比门禁，未达标构建阻断晋升至 LLM 对齐阶段。

Capabilities

核心能力矩阵

• 万卡训练网格

  拓扑感知 placement，TP/PP/DP/EP 自动搜索，扩展效率@8k 92%。NCCL/RDMA 指纹调优，10k+ GPU 统一调度与 SLA 门禁。

• 扩散与视频

  DiT + 时空 VAE，训练吞吐 2.4×，FVD 210。四阶段去噪世界模型，对接 CV 生成与影视 previz 产线。

• MoE 路由

  负载差 1.08，专家热迁移与通信重叠。万亿 MoE 与 LLM 路由、推理编译同源，避免重复训练骨干。

• 检查点

  异步分层 CKPT 开销约 3%，恢复 <90s。分层存储对接对象存储，实验元数据与 LLM 中枢同步。

• 混合精度

  FP8/FP16 自动选择与 loss scaling，MFU 58%。按作业模板绑定精度策略，未过数值稳定性回归禁止晋升。

• 与 LLM 协同

  预训练权重一键晋升 LLM SFT/RLHF；共享代码仓与注册表。DL 实验—对齐—推理指标同屏，缩短 flagship 交付周期。

Comparison

行业对照

Use cases

应用场景

Case studies

产业案例

• 

  医药

  蛋白折叠深势导航

  创新药企用 PINN 势能面在 12k GPU·周 预算内筛选候选分子：深势谷道实时导航将湿实验周期从 6 月/靶点压缩至 4 周，命中提升 3.2×。

  之前

  湿实验筛选约 6 月/靶点，算力分散

  之后

  4 周/靶点，统一 Training Mesh 调度

  • 3.2× 命中提升
  • 12k GPU·周 算力
• 

  能源

  托卡马克等离子体控制

  国家实验室托卡马克接入毫秒级 RL+PINN 混合策略：等离子体形状控制稳定窗从 PID 不稳定提升至连续 120s+，破裂率下降 76%。

  之前

  PID 控制不稳定窗，破裂频繁

  之后

  稳定 120s+，控制延迟 0.8 ms

  • -76% 破裂率
  • 0.8 ms 控制延迟
• 

  科研

  开源 MoE 旗舰联合训练

  联合实验室在 Candies 网格上训练 64 专家 Candy-MoE-1T：MFU 从 38% 提升至 57%，日 4T Tokens；Checkpoint 与 LLM 平台实验中枢共享，对齐阶段零拷贝晋升。

  之前

  MFU 38%，CKPT 恢复分钟级

  之后

  MFU 57%，恢复 <90s

  • 4T Tokens/日
  • 64 专家数
• 

  科研

  国家气候中心区域 PINN

  区域预报胞格从 25km 细化至 1km：PINN 同化卫星与站点数据，RMSE -41%，推理分钟级出图。绿色调度优先北欧可再生机架，碳报表纳入运维季报。

  之前

  传统数值 25km，算力 8h/时效

  之后

  1km PINN，分钟级推理

  • -41% RMSE
  • 分钟级 推理时效

R&D pillars

研发优势

• 

  Candies Mesh · 万卡训练网格

  拓扑感知 · 90s 恢复 · 58% MFU

  自研 placement 与 NCCL 指纹调优贯通 10k+ GPU；张量/流水线/数据/专家并行自动搜索。异步分层 CKPT 开销约 3%，故障自愈 99.7%，为企业与科研提供可预期 SLA。

  • 58%

    MFU (MoE 1T)

  • < 90s

    恢复时间

  • 92%

    扩展效率@8k

  • 18%

    通信占比

  • MoE 负载差 1.08，专家热迁移与通信重叠降低气泡
  • 集群指纹自动调优 RDMA/NCCL，人工调参周期从周级降至小时级
  • 与 LLM 实验中枢共享元数据，预训练—对齐指标同屏对比
• 

  Candies Generative · 扩散与视频

  DiT · 时空 VAE · 世界模型

  Candy-DiT-XL 与 Candy-Vid-L 统一时空表征，视频训练吞吐 2.4×，FVD 210。扩散世界模型四阶段去噪服务影视 previz 与生成式视觉产线，权重可对接 CV 生成栈。

  • 2.4×

    视频吞吐

  • 210

    FVD

  • 2.4B

    DiT 参数量

  • 800M

    VAE

  • 帧立方时空嵌入，长视频一致性损失减少闪烁与主体漂移
  • 图像/视频联合训练共享调度器，避免重复占用万卡窗口
  • 生成 Checkpoint 带内容安全与版权策略版本号
• 

  Candies Science · 仿真与绿色算力

  PINN · 量子混合 · 碳感知

  PINN 支撑气候 1km 胞格与托卡马克毫秒控制；蛋白折叠导航缩短药企发现周期。绿色调度 gCO₂/kWh 42，量子混合优化器试点接入同一作业编排器。

  • 42 g/kWh

    碳强度

  • -41%

    气候 RMSE

  • 120s+

    托卡马克稳定

  • 4 周

    药企周期

  • 科学负载与 LLM/MoE 作业统一排队，提升集群利用率
  • ESG 报表模板对接企业可持续披露框架
  • 量子环试点结果写入实验追踪，便于复现与审计

Model zoo

深度学习模型族谱

Candies DL 预训练族谱覆盖万亿 MoE、扩散—视频联合与世界模型分支：Checkpoint 带模型卡、碳足迹与安全披露，经注册表晋升至 LLM 对齐与 CV 生成下游。选型需结合算力窗口、MFU 门禁与下游任务（对话、生成、科学仿真）。

• Candy-MoE-1T

  MoE

  1T active

  64 专家、负载差 1.08，日 4T Tokens 稳定训练。稀疏激活对接 Candies LLM 路由与推理编译；开源分级权重 + 模型卡，含算力碳强度标签。

• Candy-DiT-XL

  扩散

  2.4B

  四阶段 DiT 去噪，图像/视频联合生成；与 Candy-Vid-L 共享时空 VAE。训练吞吐 2.4× 基线，服务 previz、营销素材与生成式视觉产线。

• Candy-Vid-L

  视频

  800M

  长时序一致性 VAE + 时空立方嵌入，FVD 210。面向长视频预训练、影视 previz 与安防事件摘要；Beta 合作通道 2026-Q3 开放。