NVIDIA 发布 Attribution 工具诊断分布式 AI 故障

NVIDIA 在技术博客发布 Attribution 工具，用于诊断分布式 AI 工作负载故障，并演示如何在示例工作负载证据上运行该工具进行根因定位。 背景是：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，报告中的异常只显示工作负载停止的位置，而非故障起点，Attribution 旨在定位真正的故障根源。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。