面壁智能发布ForgeTrain框架，引领“AI制造AI”新范式
在人工智能技术飞速迭代的当下，算力瓶颈与工程化难题已成为制约AI研发的关键。近日，面壁智能AI Infra技术负责人李宇轩在一次深度交流活动中，详细介绍了其自主研发的生产级预训练框架ForgeTrain，并揭示了“AI制造AI”这一新型范式如何打破现有困境。
李宇轩指出，传统的“堆叠数据与算力”模式已接近其性能边界，而工业革命中“用机器制造机器”的经验正在智能革命中得到印证。ForgeTrain的核心理念在于，利用AI自主为特定模型和硬件架构“锻造”专属训练框架，摆脱对通用、庞大人工维护软件栈的依赖。这一方法论不仅预示着AI研发路径的根本性转变，也展现出解决工程化挑战的强大潜力。
在实际性能测试中，ForgeTrain取得了令人瞩目的成绩。该框架能够通过自动化流程，在短短8小时内达到业界领先框架Megatron-LM的性能水平，并在1.5至2天内实现稳定超越，算力利用率（MFU）显著提升了8%至10%。这一高效能优势已被成功应用于MiniCPM4-0.5B/8B等不同模型，并展现出对H100及华为昇腾NPU等多样化硬件平台的广泛兼容性。
ForgeTrain的突破性进展得益于李宇轩总结的“四阶段Harness优化流程”。这一流程以确保二进制一致性的Anchor阶段为起点，依次完成Bit-for-Bit基础功能生成、解除约束后的Surpass性能冲刺，最终到达针对每个算子进行深度定制的Per-Op阶段。整个过程完全由AI驱动，无需人工干预，有效将过去依赖多年人力积累的工程壁垒，转化为AI可自动解析和优化的技术问题。
ForgeTrain的出现标志着“Forge Engineering”——一种面向AI时代的全新工程范式的诞生。它预示着未来每个人都可能拥有定制化模型助手的能力，这将驱动软件形态的颠覆性重塑。该框架的出现，为AI大模型开发提供了一条更高效、更具适应性的新路径。对于希望在AI领域进行深入研究和开发的团队而言，ForgeTrain的出现无疑降低了技术门槛，并提供了强大的工具支持，特别是在定制化模型训练方面，其自动化和高效性将极大地加速研究进程。
面壁智能在开源生态和技术壁垒方面也提出了独到见解。李宇轩认为，Coding Agent正在逐步瓦解传统CUDA生态的高昂迁移成本，AI的竞争维度正从“代码可信”转向“智能可信”。未来的研究焦点应置于AI实现AGI路径中最关键的“创新者”角色，即如何让AI不仅解决问题，更能提出全新范式。随着面壁智能的持续发力，AI自主撰写下一代模型代码的时代正加速到来。