在昇腾NPU上用ZeRO-3并行策略训练LLaMA-13B模型时，已按适配指南调整通信桶大小、开启计算-通信重叠，但仍出现梯度聚合耗时过长（占单步训练耗时60%）、训练吞吐量偏低的问题，且NPU算力利用率长期维持在50%以下。请问需从哪些维度优化ZeRO-3的通信效率？是否有针对昇腾NPU的ZeRO-3专属调优参数或硬件加速策略？