Grappa 技术文档
本文档将详细介绍 Grappa 的安装指南、使用说明以及项目 API 使用方法,帮助用户更好地使用和理解这个项目。
1. 安装指南
Grappa 是一个运行时系统,用于在通用集群上扩展不规则应用程序。它是一个 PGAS 库和运行时系统,允许你编写在分布式内存计算机上运行的全球视图 C++11 代码。
要构建 Grappa,你需要在 64 位 Linux 系统上安装以下依赖项:
- 构建系统
- Ruby >= 1.9.3
- CMake >= 2.8.12
- 编译器
- GCC >= 4.7.2(我们依赖于仅在 4.7.2 及更新版本中存在的 C++11 特性)
- 或者:Clang >= 3.4
- 外部依赖
- MPI(必须支持 MPI-3)
- OpenMPI >= 1.7.4
- MVAPICH2 >= 1.9
- MPICH >= 3.1
- Intel MPI >= 5.0.2.044
- MPI(必须支持 MPI-3)
配置脚本会自动处理一些其他依赖项。如果你需要为特定系统覆盖默认行为,请参阅 BUILD.md。
此外,我们的测试和运行脚本默认使用 Slurm 作业管理器。如果你使用其他 MPI 启动器运行作业,则需要自己设置必要的环境变量。请参阅 doc/running.md 了解更多信息。
快速开始
确保你已经安装了上述依赖项,然后检出代码:
git clone git@github.com:uwsampa/grappa.git
如果你没有设置 GitHub 密钥并遇到认证错误,可以尝试使用 HTTP URL:
git clone http://github.com/uwsampa/grappa.git
然后下载 Grappa 的第三方依赖项:grappa-third-party-downloads.tar。
现在构建 Grappa 和 hello world:
cd grappa
./configure --third-party-tarfile=<完整路径到/grappa-third-party-downloads.tar>
cd build/Make+Release
make demo-hello_world
现在你应该有一个可以作为 MPI 作业启动的二进制文件。如果你的系统上安装了 Slurm,你可能能够这样运行作业:
srun --nodes=2 --ntasks-per-node=2 -- applications/demos/hello_world/hello_world.exe
如果这不起作用,请使用你的系统上启动 MPI 作业所需的命令。
2. 使用说明
要运行 Grappa 的所有测试(这是一个漫长的过程),在 使用 Slurm 作业管理器的系统上,执行 make check-all-pass。有关测试的更多信息,请参阅 doc/testing.md。
3. 项目 API 使用文档
关于 Grappa 的设计和使用,你可以通过以下四种方式了解更多:
- 阅读存储库中
doc/tutorial目录下的教程。在doc/目录中了解关于运行作业、调试、跟踪以及其他底层功能的更多信息。 - 查看托管在 grappa.io/doxygen 的自动生成 API 文档,或者按照 BUILD.md 中的说明自行构建。
- 阅读我们的论文,可在 Grappa 网站上找到。
4. 项目安装方式
Grappa 还可以通过以下方式尝试,而无需自行安装:
- grappa-docker:Grappa 的 Docker 容器
- grappa-starcluster:Grappa 在亚马逊云中的部署
如果你有任何问题,可以通过在 GitHub 上提交问题来获得帮助:通过保持问题的集中,我们可以确保答案对所有人来说都容易找到。查看之前讨论过的问题,请访问:https://github.com/uwsampa/grappa/issues?labels=question。如果你的问题尚未得到解答,请在那里提交一个问题!
Grappa 开发者通过在 cs.washington.edu 托管的 grappa-dev 邮件列表进行交流。我们欢迎各种贡献,包括核心软件和应用。如果你考虑做出贡献,请与我们联系!
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00