训练万亿参数模型，像让一座超大型医院同时给所有科室换教材：不仅每个部门都要参与，彼此还得频繁同步，任何等待都会拖慢全局。SLAI T-Rex解决的正是这类难题：它在昇腾Ascend SuperPOD——把大量神经网络专用处理器高速连成的集群——上，对DeepSeek-V4家族进行全参数后训练，也就是让基础模型的全部参数继续学习，而非只调整少量适配模块。
DeepSeek-V4采用MoE（混合专家模型）：模型像医院分诊，每次只调用少数“专家”处理输入，但总参数仍可达到万亿规模。团队从模型并行、通信与计算编排、底层算子执行三个层次优化，尤其让芯片一边计算、一边交换数据，减少集体停工等待。作者报告，系统的MFU——实际有效计算量占硬件理论计算能力的比例——达到34.22%，是开源基线方案的2.93倍，同时保持训练稳定。它的看点因此不只是“模型能在昇腾上跑”，而是展示了一条从集群协作到底层执行的完整优化路径；不过这些性能与稳定性结论目前均来自论文作者自述。