使用 NVIDIA Attribution 诊断分布式 AI 工作负载故障

NVIDIA 发布 Attribution 工具，用于诊断分布式 AI 工作负载故障。单个 GPU 或 fabric 事件可能在其他 rank 上表现为 NCCL 错误、调度器状态变化和数千条下游消息，报告的异常只显示工作负载停止的位置而非故障起点。文章演示如何在示例工作负载证据上运行 NVIDIA Attribution 进行根因定位。