自变量发布 DMuon 优化器，让具身模型训练提效 30%，3行代码改造底层基础设施

声明：文档由AI根据原文生成。

具身模型企业首次向底层训练基础设施突破

神经网络优化器是大模型训练中的核心组件，负责指导模型权重的调整方向与步长。近两年，Muon 优化器因计算收敛更快、所需步数更少，正逐步替代 AdamW，应用于 Kimi-K2、DeepSeek-V4 等模型的训练。但 Muon 的 N–S 迭代步骤需要完整的权重矩阵信息，在 GPU 集群分布式训练场景下，各计算节点需重复拼装完整矩阵并频繁通信，导致单步耗时达到 AdamW 的 2.2 倍。优势被额外开销抵消后，企业在生产环境中是否采用 Muon 仍需权衡。

具身模型的处境更为棘手。其时序上下文更短，前向-反向传播的计算占比更小，额外引入的计算与通信开销占比反而更大，训练效率拖累尤为严重。改造底层训练基础设施对技术能力要求极高，此前国内鲜有具身模型企业涉足这一层面。

三项改进将额外开销从 120% 压至 2%

自变量机器人近日发布 DMuon 优化器，对 Muon 进行分布式改造，将单步训练时间从 AdamW 的 2.2 倍降至 1.02 倍，额外开销近乎消除。

具体而言，DMuon 提出三项技术改进：

Owner 中心执行与通信优化。指定唯一 GPU 负责完整梯度计算与 N–S 迭代，结果分发至其他节点；通信操作被嵌入计算空档执行，避免突发流量造成的网络拥堵。

矩阵形状的自动内核优化。针对不同维度的权重矩阵，DMuon 批量生成多种计算内核并实测性能，建立形状-最优内核的映射表，后续相同形状直接复用。

Owner 负载均衡。预先记录各矩阵形状的真实计算耗时，以"最慢矩阵耗时最小化"为目标分配任务，避免部分 GPU 空闲等待。

综合测算，DMuon 将具身模型分布式训练效率提升约 30%。代码已完全开源，与 Muon 训练框架兼容，引入仅需 3 行代码。

从"手工作业"到"生产线"改造

具身模型行业起步晚于大语言模型，多数企业长期依赖调用现成技术框架，目标集中于训练出好模型、榜单评测争先。但模型迭代需要持续积累，训练"生产线"的效率同样关键。

自变量机器人此次向底层基础设施突破，意味着头部具身模型企业开始走出单点模型优化的"手工作业"阶段，投向工程化生产提效。此前 Muon 的技术贡献主要来自 Kimi、DeepSeek 等大语言模型企业，全球范围内尚无具身模型公司完成同类成果。DMuon 的开源发布，使行业开发者能以极低门槛引入生产，成为具身智能领域向技术社区的一次实质性回馈。