MTTS5000

MTT S5000是摩爾執行緒推出的一款專用於人工智慧訓練與推理的圖形處理器，基於其第四代MUSA架構“平湖”設計，適用於大模型訓練、推理及高性能計算場景。該產品單卡配備80GB顯存，顯存頻寬1.6TB/s，在FP8精度下AI算力最高為1000TFLOPS，支持從FP8到FP64的全精度計算。

MTT S5000於2024年推出，2026年首次公開參數。2026年，其相繼完成對智譜GLM-5、GLM-5.1及MiniMax M2.7等大模型的適配。在智源FlagOS訓練驗證中，面向Qwen3-0.6B模型完成1T Tokens訓練，下游任務評測結果較行業基準提升1.65個百分點。根據公開的測試信息，其性能表現與同期國際同類產品處於相當水平。該產品已投入量產，並有基於該產品構建的計算集群投入使用。

基本介紹

• 中文名：MTT S5000
• 產品類型：GPU智算卡
• 上市時間：2024年

產品定義與定位

MTT S5000是摩爾執行緒推出的一款AI訓推一體全功能GPU智算卡，適用於大模型訓練、推理及高性能計算場景。該產品基於摩爾執行緒第四代MUSA架構（代號“平湖”），於2024年推出，並於2026年初公開詳細參數。作為一款全功能GPU，MTT S5000支持從FP8到FP64的全精度計算，是國內較早原生支持FP8精度的訓練GPU之一，其單卡AI算力可達1000TFLOPS。該產品定位為AI計算硬體，已實現對智譜GLM-5、MiniMax M2.7等大模型的適配，體現了其在軟體生態方面的兼容性。目前，MTT S5000已實現量產，基於其構建的計算集群已上線，能夠支持萬億參數級別的大模型訓練。

硬體規格與架構

MTT S5000基於摩爾執行緒第四代MUSA架構“平湖”，電晶體規模約為220億顆。

其單卡配備80GB HBM3顯存，顯存頻寬為1.6TB/s，對比上代MTT S4000分別提升了67%和113%。計算方面，單卡FP8 AI算力最高可達1000 TFLOPS（1 PFLOPS），完整支持從FP8到FP64的全精度計算。

該GPU原生支持FP8精度訓練，其內置硬體級FP8Tensor Core加速單元，FP8相比BF16/FP16可將數據位寬減半、顯存頻寬壓力降低50%、理論計算吞吐量翻倍。

架構上採用第二代張量核心，支持稀疏感知計算與混合精度累加，並重構了片上NoC（網路-on-晶片）拓撲結構，讓數據在計算單元之間流轉延遲降低40%以上。

互聯方面，卡間互聯頻寬為784GB/s，支持多卡高速互聯。

軟體生態與兼容性

MTT S5000基於第四代MUSA架構，原生適配PyTorch、Megatron-LM、vLLM、SGLang等主流AI框架與工具鏈，其軟體生態體系與這些框架和工具鏈兼容。

其已完整適配智源FlagOS訓練全要素軟體棧，包括FlagScale系統調度決策框架、Transformer Engine加速庫、FlagGems與Triton運算元庫以及FlagCX通信庫。

在開發支持方面，摩爾執行緒提供了MUSA SDK、Triton-MUSA、TileLang-MUSA等開發工具，通過MUSA C++、Triton-MUSA、TileLang-MUSA等抽象層降低了新運算元的遷移成本。

MTT S5000具備對新發布大模型的快速適配能力，例如在智譜GLM-5、GLM-5.1及MiniMax M2.7等模型發布時，摩爾執行緒基於MUSA架構和SGLang-MUSA等工具，在MTT S5000上完成了適配與驗證，可提供推理部署和訓練復現支持。

在集群通信層面，MTT S5000採用獨創的ACE技術，將複雜通信任務從計算核心卸載，提升了模型算力利用率（MFU）。

性能表現與驗證

2026年3月，摩爾執行緒基於MTT S5000完整適配了智源FlagOS訓練全要素軟體棧，並面向Qwen3-0.6B語言模型完成了1T Tokens的從頭訓練驗證，實現了連續6天以上、超過14000步的無中斷穩定訓練。訓練所得模型的Loss曲線與基線高度一致，平均相對誤差控制在0.82%以內，在標準下游任務評測中，相關指標提升1.65個百分點。2026年1月，智源研究院基於MTT S5000千卡集群完成了前沿具身大腦模型RoboBrain 2.5（數千億參數）的端到端訓練與對齊驗證，MTT S5000與H100集群的結果一致性較高，損失值（loss）差異為0.62%。

2025年12月，摩爾執行緒聯合矽基流動基於MTT S5000完成了對DeepSeek-V3 671B滿血版的深度適配與性能測試，實測單卡Prefill吞吐超過4000 tokens/s，Decode吞吐超過1000 tokens/s。

實測顯示，MTT S5000從64卡擴展至1024卡，系統的線性擴展效率保持在90%以上，訓練線性擴展效率達95%。基於MTT S5000的夸娥萬卡集群已經落地，其浮點運算能力達到10Flops（每秒1千億億次計算）。

基於MTT S5000的集群在Dense稠密模型訓練中，模型算力利用率（MFU）達到60%，在MoE專家模型中維持在40%左右，有效訓練時間占比超過90%。