**RayOrch：面向基础模型数据准备的谱系控制多粒度数据流引擎**

_RayOrch: Programming and Executing Lineage-Controlled Multi-Grain Dataflows for Foundation-Model Data Preparation_

> RayOrch 是一种旨在解决基础模型训练数据准备中复杂依赖关系的编程模型与分布式执行引擎。它通过保留父子数据项的谱系关系，实现了跨父项的 GPU 批处理，同时确保顺序与结果路由的准确性。在 NVIDIA H20 GPU 上，RayOrch 在扩展 MinerU 和视频处理流水线时分别实现了 15.14 倍和 7.82 倍的加速，并显著优于 Ray Data 和 Daft 等现有系统。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-09-28 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2609.18703)