小时追平2天反超面壁智能ForgeTrain用AI锻造下一代训练框架
面壁智能发布自研预训练框架ForgeTrain，通过AI自动生成专用训练框架，8小时追平Megatron-LM性能，1 5至2天稳定反超，算力利用率提升8%至10%。四阶段Harness优化流程全程无人工干预，兼容多种模型与硬件平台，推动“用AI制造AI”范式落地。
当大模型的迭代速度以周为单位推进，算力瓶颈与工程壁垒就成了绕不开的终极命题。2026年6月27日，面壁智能联合OpenBMB开源社区与AGI BAR举办了一场名为“AI4AI发酵夜”的深度交流。活动中，面壁智能AI Infra技术负责人李宇轩详细解析了其自研的生产级预训练框架——ForgeTrain，揭示了“AI制造AI”这一范式转变的底层逻辑，以及那些实实在在的实战突破。
坦白讲，靠堆算力、堆数据的老路，已经快要走到头了。随着互联网高质量数据与算力供给的边际效益持续递减，传统路径的边界已经相当清晰。工业革命实现了“用机器制造机器”，而智能革命正在迈向“用AI制造AI”。ForgeTrain就是这个路径上的一个单点实证。它的核心理念很有意思：由AI针对特定模型与硬件架构，从零“锻造”出一个量身定做的专用训练框架，而不是依赖人工去维护一个面面俱到但笨重的通用软件栈。
性能的跃迁：从追平到反超
在性能实测中，ForgeTrain的表现相当惊人。通过自动化流程，这个框架在8小时内就追平了业界旗舰框架Megatron-LM的性能，并在1.5到2天内实现稳定反超。算力利用率（MFU）直接提升了大约8%到10%。更关键的是，这套能力不仅能成功迁移至MiniCPM4-0.5B/8B等不同模型，还兼容了包括H100及华&为昇腾NPU在内的多种硬件平台。
那么，它是怎么做到的？
四阶段Harness优化流程
ForgeTrain的成功，离不开李宇轩总结的“四阶段Harness优化流程”。整个流程从锁定二进制一致性的Anchor阶段出发，历经Bit-for-Bit基础功能生成、解除约束后的Surpass性能冲刺，最终进入针对算子逐项深度定制的Per-Op阶段。有意思的是，整个过程完全由AI判定，没有任何人工干预。这等于把英伟达靠多年人力积累的工程护城河，重构成了一个可以被AI自动解耦的技术问题。
这一实践被概括为“Forge Engineering”——一种面向AI时代的工程新范式。从行业共识来看，未来每个人都有可能定制自己的模型助手，软件形态将迎来大规模重塑。换句话说，这才是真正意义上的“用AI制造AI”。
开源生态与技术壁垒的重新审视
针对行业关心的开源生态与技术壁垒问题，李宇轩在交流中给出了一个独到的视角。他指出，Coding Agent正在拆解传统CUDA生态的“迁移成本”，竞争维度已经从单纯的“代码受信”转向了“智能受信”。这意味着，未来的研究焦点应该集中在实现AGI路径中最陡峭的那一段——如何让AI从解决问题，迈向提出新范式的“Innovator（创新者）”。
随着面壁智能持续深耕，AI自主撰写下一代模型代码的时代，其实已经悄然拉开帷幕。