nccl
NCCL（发音为"Nickel"）是 NVIDIA 推出的一款开源通信库，专为多 GPU 环境下的高效数据交互而设计。在深度学习训练或高性能计算中，当多个显卡需要协同工作时，如何在它们之间快速同步数据往往成为性能瓶颈。NCCL 正是为了解决这一难题而生，它提供了一套经过深度优化的标准通信原语，支持全归约、广播、聚合等多种通信模式。
无论是单机内的多卡协作，还是跨越多台服务器的分布式集群，NCCL 都能充分利用 PCIe、NVLink、NVswitch 以及 InfiniBand 等硬件通道，实现极高的带宽利用率，显著降低通信延迟。这使得大规模模型训练能够更高效地扩展，避免因通信开销过大而拖累整体算力。
NCCL 主要面向 AI 开发者、系统工程师及科研人员，特别是那些从事分布式深度学习框架开发或需要自定义多 GPU 通信逻辑的用户。它可以轻松集成到单进程或多进程（如 MPI）应用中，也是许多主流深度学习框架底层的通信基石。其独特的架构适应能力与对多种互联技术的原生支持，使其成为构建高性能 GPU 集群不可或缺的基础设施。
使用场景
某自动驾驶团队正在利用 8 卡服务器集群训练大规模感知模型，急需解决多 GPU 间梯度同步的效率瓶颈。
没有 nccl 时
- 开发者被迫使用原生 MPI 或自定义 Socket 通信，无法自动识别并利用 NVLink 高速互联，导致显卡间数据传输带宽极低。
- 在进行全归约（All-Reduce）操作时，通信逻辑复杂且未针对 GPU 显存优化，大量占用计算资源，造成 GPU 利用率不足 60%。
- 随着节点数量增加，网络拓扑感知缺失导致通信延迟呈指数级上升，训练任务经常因超时而中断。
- 缺乏标准的集合通信原语，每次调整模型并行策略都需要重写底层通信代码，开发迭代周期长达数周。
使用 nccl 后
- nccl 自动探测并优先调度 NVLink 与 NVSwitch 通道，将多卡间通信带宽提升至硬件理论极限，数据传输速度提升数倍。
- 内置高度优化的 All-Reduce、Broadcast 等原语直接操作显存，通信过程几乎不占用计算核心，使 GPU 利用率稳定在 95% 以上。
- 智能适配 PCIe、InfiniBand 等多种网络拓扑，即使在跨节点大规模集群中也能保持线性加速比，训练稳定性显著增强。
- 提供统一的标准化接口，团队无需关心底层硬件差异，仅需几行代码即可切换并行策略，新算法验证时间从周缩短至小时级。
nccl 通过极致优化的多 GPU 通信原语，将分布式训练的通信开销降至最低，让算力真正服务于模型迭代而非等待数据同步。
运行环境要求
- Linux
- 必需 NVIDIA GPU
- 支持通过 PCIe、NVLink、NVswitch 互联的单节点或多节点多 GPU 环境
- 具体型号未说明，但需匹配编译时指定的 CUDA 架构（如 compute_90/sm_90）
未说明
快速开始
NCCL
用于 GPU 间通信的优化原语。
简介
NCCL（发音为“Nickel”）是一个独立的 GPU 标准通信库，实现了 all-reduce、all-gather、reduce、broadcast、reduce-scatter 以及基于 send/receive 的各种通信模式。它经过优化，可在使用 PCIe、NVLink、NVswitch 的平台上，以及通过 InfiniBand Verbs 或 TCP/IP 套接字进行网络通信的场景下，实现高带宽。NCCL 支持单节点内或跨多个节点安装的任意数量的 GPU，并且可以在单进程或多进程（例如 MPI）应用程序中使用。
有关 NCCL 使用的更多信息，请参阅 NCCL 文档。
构建
注意：NCCL 的官方已测试版本可从以下地址下载：https://developer.nvidia.com/nccl。如果您选择使用官方版本，则可以跳过以下构建步骤。
构建该库的命令如下：
$ cd nccl
$ make -j src.build
如果 CUDA 未安装在默认的 /usr/local/cuda 路径下，可以通过以下方式指定 CUDA 路径：
$ make src.build CUDA_HOME=<CUDA 安装路径>
NCCL 将被编译并安装到 build/ 目录下，除非设置了 BUILDDIR 变量。
默认情况下，NCCL 会针对所有支持的架构进行编译。为了加快编译速度并减小二进制文件大小，可以重新定义 NVCC_GENCODE（定义在 makefiles/common.mk 中），仅包含目标平台的架构：
$ make -j src.build NVCC_GENCODE="-gencode=arch=compute_90,code=sm_90"
安装
要将 NCCL 安装到系统中，首先创建一个软件包，然后以 root 用户身份进行安装。
Debian/Ubuntu：
$ # 安装用于创建 Debian 软件包的工具
$ sudo apt install build-essential devscripts debhelper fakeroot
$ # 构建 NCCL 的 Debian 软件包
$ make pkg.debian.build
$ ls build/pkg/deb/
RedHat/CentOS：
$ # 安装用于创建 RPM 软件包的工具
$ sudo yum install rpm-build rpmdevtools
$ # 构建 NCCL 的 RPM 软件包
$ make pkg.redhat.build
$ ls build/pkg/rpm/
与操作系统无关的 tarball：
$ make pkg.txz.build
$ ls build/pkg/txz/
测试
NCCL 的测试代码单独维护在 https://github.com/nvidia/nccl-tests 上。
$ git clone https://github.com/NVIDIA/nccl-tests.git
$ cd nccl-tests
$ make
$ ./build/all_reduce_perf -b 8 -e 256M -f 2 -g <gpu 数量>
版权
所有源代码及配套文档的版权均归 NVIDIA CORPORATION 所有，自 2015 年至 2020 年，保留一切权利。
版本历史
v2.29.7-12026/02/27v2.29.3-12026/02/03v2.29.2-12025/12/24v2.28.9-12025/11/10v2.28.7-12025/10/18v2.28.3-12025/10/06常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。