Meta 推出 SPDL 工具：突破训练 AI 模型数据效率瓶颈，吞吐量提升 2-3 倍

最新 12 月 10 日消息，训练 AI 模型的瓶颈，目前不再仅仅是架构设计，数据管理效率也至关重要。Meta AI 最新推出了开源可扩展且高性能的数据加载（SPDL）工具，通过提升数据加载效率，最终加快 AI 训练速度。

SPDL 工具采用多线程技术，在常规 Python 解释器中（未启用 free-threading 选项）实现了高吞吐量，资源占用更低，并兼容 Free-Threaded Python。

核心优势

SPDL 包含任务执行器（流水线抽象）、构建流水线的实用工具以及高效且线程安全的媒体处理操作，其核心是异步事件循环，负责调度新任务和响应任务完成。SPDL 通过将同步操作委托给线程异步执行，实现真正的并发。

相比较传统基于进程（process）的处理方式，SPDL 工具升级改用基于线程（thread）的加载方式，有效避免了进程间通信的开销，显著提升了数据传输速度。

该工具的另一个亮点在于预取和缓存技术，确保 GPU 始终有数据可供处理，最大程度减少 GPU 空闲时间，提高系统整体效率。

无论是单 GPU 还是大型集群，SPDL 支持跨分布式系统工作，可以高效处理复杂任务；SPDL 工具还无缝兼容主流 AI 框架 PyTorch，方便团队快速采用。

性能

Meta 表示相比传统基于进程的方案，SPDL 吞吐量提升 2-3 倍；此外在禁用 GIL 的 Free-Threaded Python 环境中，SPDL 吞吐量提升 30%。

SPDL 提供性能监控和调优工具，方便用户深入了解数据加载过程并进行优化。

最新附上参考地址

• Introducing SPDL: Faster AI model training with thread-based data loading

• Meta AI Introduces SPDL (Scalable and Performant Data Loading): A Step Forward in AI Model Training with Thread-based Data Loading