2026.08.10
部署调优与验收
ECC Scrub 后为什么首轮变慢：节点准入要区分初始化与稳态
将 ECC 初始化视为节点生命周期阶段，避免以首轮耗时误判健康状态或掩盖交付时延。
部署调优与验收 NEWS CENTER
覆盖物理链路、驱动固件、RDMA、RoCE、NCCL 和多节点扩展测试，帮助项目团队定义部署前提、调优步骤与可复核的验收标准；选型时同步核对完整型号、接口、软件版本、供电散热、部署环境、生命周期与到货验收要求。
-
2026.08.10
-
2026.08.10
部署调优与验收NCCL Debug 日志怎么采：诊断证据不能压垮训练作业
以分级采样、作业关联和预算约束保留可复现证据，避免日志反噬训练稳定性。
-
2026.08.10
部署调优与验收NVLink Telemetry 怎么做基线：链路计数器要与作业阶段对齐
以作业阶段为坐标建立 NVLink 链路计数器基线，区分真实异常与正常路径闲置。
-
2026.08.10
部署调优与验收CUPTI Activity Buffer 丢失怎么排：完整时间线需要缓冲与落盘预算
从丢失记录检测、缓冲生命周期到落盘背压，建立可验证的 CUDA 活动时间线采集方法。
-
2026.08.03
部署调优与验收GPU 与 ConnectX 出现 PCIe AER 告警怎么查：先定位错误来源再决定处置
Requester、接收端和日志中的设备地址可能指向不同角色，不能看到 AER 就直接更换板卡。
-
2026.08.02
部署调优与验收GPU 节点重装后网络身份怎么恢复：接口名、GUID 与调度标签要对齐
系统镜像恢复只解决文件状态，RDMA、资产、监控和调度仍需重建一致身份。
常见问题 点击展开 收起
设备安装完成是否代表项目可以验收？
不代表。还需要检查链路目标速率、CRC/FEC 和错误计数、主机吞吐、RDMA、NCCL 跨节点性能、多节点扩展效率、拥塞抖动、温度功耗与长时间稳定性。
RoCE 网络都需要启用 PFC、ECN 和 DCQCN 吗？
应按交换机、网卡、网络操作系统、业务模型和设计目标确定，不能机械套用。参数需要端到端对齐，并通过拥塞场景验证是否出现丢包、暂停扩散或吞吐抖动。
链路已经建立但性能不达标，先检查什么？
先确认协商速率、FEC、错误计数和线缆，再检查 PCIe 代际与宽度、NUMA 绑定、MTU、驱动固件、RDMA 配置、CPU 频率和测试工具参数。
NCCL 测试结果应如何判断？
应记录节点与 GPU 数量、消息大小、算法带宽和总线带宽、拓扑、软件版本与测试时长，再与单节点基线和扩容目标比较，不能只截取单个峰值。
WeChat
Profile