1500余步，零中断。对于一次大模型训练来说，这几个字比口号更硬。
据太平洋科技快讯报道，深圳河套学院AI训练平台项目团队联合哈尔滨工业大学（深圳）、深圳市大数据研究院、华为及深智城AI算力平台，基于昇腾910C国产AI算力集群，完成了1.6万亿参数DeepSeek-V4-Pro大模型的全参数后训练。报道提到，这为第三方机构使用国产算力开展同级别大模型训练积累了经验，也验证了国产AI芯片支撑超大参数模型训练的能力。
开发者真正关心的，往往不是发布稿里的“成功完成”，而是训练过程中有没有掉链子。当前稿件披露的几个指标更值得看：MFU超过30%，故障率控制在0.3‰，1500余步无中断。
MFU超过30%，说明千卡规模下，算力没有被通信、算子调度和等待时间大量吃掉。故障率0.3‰，则指向另一个问题：集群不是把卡插满就能用，稳定运行本身就是一门重工程。
千卡集群最怕的不是慢，是断
万亿参数模型的训练，对硬件和软件都很挑。DeepSeek-V4-Pro这类模型面向逻辑推理、数理运算、代码生成、长文本解析等场景，参数规模上来以后，训练任务对显存、互联、调度和检查点机制都会变得敏感。
在小规模测试里，一张卡异常，工程师可以手动处理；到了千卡级别，人工介入很快就会变成瓶颈。某个节点掉线、通信链路异常、任务等待超时，都可能让一次长时间训练付出重跑成本。
所以，1500余步无中断的价值，不只是“这批910C能跑”。它说明这套训练平台至少在资源调度、异常发现、任务恢复、日志定位上做了足够多的准备。对企业用户来说，这部分能力往往不会写在采购清单第一行，却会决定项目最后能不能交付。
CANN适配不是改几行代码
从CUDA迁移到CANN，很多团队一开始会低估成本。模型代码能启动，只是第一关；真正耗时间的，常常是算子、显存、通信和性能调优。
昇腾体系下，CANN承担底层异构计算能力的衔接。模型越大，问题越容易被放大：某些算子效率不够，MFU会掉；显存管理不细，训练会被碎片拖住；并行策略没调好，卡与卡之间就在相互等待。
这也是为什么MFU超过30%值得单独拿出来看。它不是单卡跑分，也不是Demo截图，而是大规模训练中的实际利用率。千卡集群里，哪怕硬件都在机房，软件栈没有调顺，算力也可能变成排队、同步和空转。
对开发团队来说，CANN的成本主要体现在三件事：已有PyTorch或TensorFlow工程要适配；关键算子可能要重新优化；训练过程中需要持续观察性能瓶颈。没有足够的工程人力，只看芯片参数，很容易误判投入。
供应链压力下，稳定性更像硬指标
九方智投文章提到，2025年5月13日，美国商务部宣布撤销拜登政府2025年初发布的《人工智能扩散规则》，同时BIS发布三份指导文件，加强对海外AI芯片出口管控。在这样的背景下，国产AI算力的可获得性和可持续运维能力，都会被放到更重要的位置。
控制网相关报道标题中也提到，华为昇腾910C AI芯片在2025年5月开启大规模供货。供货是一层，能不能形成稳定训练平台是另一层。对于训练大模型的机构来说，卡到位之后，还要考虑机房、电力、散热、网络、软件版本、驱动、框架适配和运维值守。
这笔账不小，也很难用单价解释清楚。
高校、科研机构和算力平台联合推进这类项目，有一个现实好处：可以把调度策略、故障处理经验、CANN适配经验先沉淀下来。之后企业再接入，面对的就不只是裸硬件，而是一套被训练任务验证过的工程路径。
买卡之前，先算人和时间
如果一家企业正在评估昇腾910C集群，问题不该只停在“有没有卡”。更实际的问法是：现有模型代码迁移到CANN要多久？团队有没有人能看懂底层报错？训练中断后，检查点和恢复流程是否可靠？出现性能掉点，谁来定位是算子、通信还是调度问题？
DeepSeek-V4-Pro这次全参数后训练给出的信号很明确：国产算力已经能支撑1.6万亿参数级别的大模型训练。但它同时也提醒开发者，跑通背后有一整套运维成本。
“零中断”听起来像结果，实际上是工程能力的汇总。对真正要落地训练任务的团队来说，昇腾910C的采购账只是第一页，CANN适配、集群监控、故障恢复和长期运维，才是后面更长的账本。
