MFU
衡量硬件算力实际利用效率的指标，即实际完成的有效浮点运算与硬件峰值算力的比值，LLM训练通常达40%-60%，朴素RL训练往往不足5%
核心事实
时间轴 (近 90 天)
业界常用MFU（Model FLOPs Utilization）或集群级有效训练时间占比来衡量有效算力。
业界常用 MFU（Model FLOPs Utilization，模型浮点运算利用率）来量化有效吞吐与峰值算力之间的差距，生产环境的 MFU 往往远低于理论峰值。
模型 FLOPs 利用率（MFU）是实际达到的浮点运算速度与硬件理论峰值的比值；在消费级 GPU（如 RTX 3060）上，内存带宽往往先于算力成为瓶颈。
MFU（Model FLOPS Utilization，硬件利用率）是衡量训练与推理系统效率的核心指标，提升几个百分点在大规模集群上意味着显著成本节约
能够在链路层或节点层直接恢复故障而不触发检查点回滚，可以改善有效算力利用率（MFU，Model FLOPs Utilization）
实际训练Transformer模型时，模型FLOPS利用率（MFU）通常只有30%-60%
全部知识事实 (7)
业界顶尖团队通常能将MFU（模型浮点运算利用率）优化到50%-65%
65%待验证业界常用MFU（Model FLOPs Utilization）或集群级有效训练时间占比来衡量有效算力。
50%待验证业界常用 MFU（Model FLOPs Utilization，模型浮点运算利用率）来量化有效吞吐与峰值算力之间的差距，生产环境的 MFU 往往远低于理论峰值。
50%待验证模型 FLOPs 利用率（MFU）是实际达到的浮点运算速度与硬件理论峰值的比值；在消费级 GPU（如 RTX 3060）上，内存带宽往往先于算力成为瓶颈。
50%待验证MFU（Model FLOPS Utilization，硬件利用率）是衡量训练与推理系统效率的核心指标，提升几个百分点在大规模集群上意味着显著成本节约
50%待验证能够在链路层或节点层直接恢复故障而不触发检查点回滚，可以改善有效算力利用率（MFU，Model FLOPs Utilization）
50%待验证实际训练Transformer模型时，模型FLOPS利用率（MFU）通常只有30%-60%
50%