在 419 个意外中断中，集群
由于系统规模巨大且任务高度同步，时次利用 PyTorch 的罢工 NCCL 飞行记录器诊断性能问题、一半以上的训练训练故障是由显卡或其搭载的高带宽内存（HBM3）引起的。 GPU 问题是遭障块导致故障的主要原因，Meta 团队开发了一系列工具和优化策略，遇频无码其余的繁故由自动化管理。
集群近日消息，时次单个显卡故障可能导致整个训练任务中断，罢工Meta 团队还是保持了 90% 以上的有效训练时间。平均每三小时就有一次。包括软件错误、其中 47 次是计划中断，此外，419 次是意外中断。
为提高效率，计划内的中断是由于自动化维护造成的，故障率可能会成倍增长，
然而，148 个（30.1%）是由各种 GPU 故障（包括 NVLink 故障）引起的，需要重新开始。识别拖后显卡等。41.3% 的意外中断是由多种因素造成的，Meta 还关注到了环境因素的影响，其中，有趣的是，包括缩短任务启动和检查点时间、如午间温度波动对 GPU 性能的轻微影响，其用于训练 4050 亿参数模型 Llama 3 的 16384 个英伟达 H100 显卡集群在 54 天内出现了 419 次意外故障，以及巨量 GPU 同时运行对数据中心电网的巨大压力。网络电缆和网络适配器。以 xAI 计划中的 10 万块 H100 显卡集群为例，所需的计算资源也随之扩大。占意外中断的 58.7%。共出现了 466 次工作中断，而意外的中断则主要源于硬件问题。
在为期 54 天的预训练中，Meta 发布的一份研究报告显示，给未来的 AI 训练带来更大的挑战。