面向大模型训练的算力集群中光互连网络拓扑优化与成本效益分析.docxVIP

PAGE2

面向大模型训练的算力集群中光互连网络拓扑优化与成本效益分析

全局数据规范：全篇所有量化数据须标注来源与时间口径；历史数据须真实可溯，预测性数据须注明推断依据与关键假设；多采用表格呈现数据与对比信息。

本报告说明

随着大模型参数量迈向万亿级，万卡乃至十万卡级GPU集群已成为算力基础设施的标配。然而，算力规模的指数级扩张并未带来线性增长的训练效率，网络互连尤其是光互连拓扑的选型，正成为决定集群通信效率与总拥有成本（TCO）的核心瓶颈。本报告聚焦万卡级GPU集群，深度剖析Fat-Tree、Torus等主流光互连网络拓扑在通信性能、部署成本及TCO上的权衡关系。

调研发现，传统无阻塞