探索 LLM 预训练的挑战，GPU 集群架构实战

 

万卡 GPU 集群实战：探索 LLM 预训练的挑战

   

一、背景

在过往的文章中，我们详细阐述了LLM预训练的数据集、清洗流程、索引格式，以及微调、推理和RAG技术，并介绍了GPU及万卡集群的构建。然而，LLM预训练的具体细节尚待进一步探讨。本文旨在为您揭秘这一核心环节，提供更为深入的解读。

已构建万卡GPU训练集群并备妥数据，预训练任务启动并非一蹴而就。启动前需精心选择分布式策略，实施高效Checkpointing，故障巡检修复，并考虑弹性训练等优化与容错策略，确保训练顺利高效完成。

本文聚焦大规模LLM预训练，通过Meta OPT、BigScience Bloom、TII Falcon-180B、字节MegaScale及阿里DLRover等案例，深入解析分布式策略、优化方案及容错弹性机制，为您揭示预训练技术的核心奥秘。

二、引言

2.1 训练预估

LLM的预训练成本高昂，常需上千GPU训练数十天。早期百B规模LLM训练Token量仅几百B，如今已跃升至几T级别，如LLaMA-3系列模型，其训练Token数高达15T，显示了技术的飞速进步与投入的巨大增长。

Decoder Only LLM训练时长可通过模型参数量、Token数及训练资源预估。Token的Forward计算量近似为模型参数量的两倍（W代表参数量），为精确规划训练资源提供了有力依据。

鉴于总计算量与Forward计算量之比通常接近3:1，我们可以精确估算每个Token在训练中的计算量，这一发现与论文[2001.08361]中关于神经语言模型缩放规律的结论相吻合，为训练效率提供了可靠的数据支持。

通过Token计算量和资源，可预估训练时长。MFU（模型浮点运算利用率）作为衡量分布式训练效率的指标，为我们提供了训练效率的直观参考。

训练天数计算公式：天数 = Token数 × Ctoken ÷ (GPU数 × FLOPs × MFU) ÷ 86400万。快速估算训练时长。

使用8192个H100-80G GPU和10T Token数据训练175B模型，预估仅需30天即可完成，高效且强大。

10T*6*175B/(8192*1000T*50%)/3600/24=30 天

NVIDIA在《Efficient Large-Scale Language Model Training on GPU Clusters Using Megatron-LM》中运用了Activation重计算策略，这一创新要求额外进行一次Forward操作。因此，整体计算量相应增加，为训练大型语言模型提供了高效且规模化的解决方案。

Ctoken =8 * W

在论文[2205.05198]中，作者对大型Transformer模型的Activation重计算进行了显著优化，基本维持了3:1的比例效率。因此，后续研究仍以此比例为指导。如图Table 4所示，这一优化为实现更高效的大型模型训练提供了重要参考。

2.2 显存占用

训练中显存占用通常包含四个部分：模型参数，优化器状态，梯度以及中间激活。

Adam优化器，融合动量与RMSprop自适应学习率技术，为深度学习模型训练提供强大动力。其独特之处在于能根据参数更新历史自适应调整学习率，显著提升收敛速度并保障训练稳定性。通过维护两个额外参数（或“矩”），Adam为每个参数量身打造优化策略，确保模型训练的高效与精准。

• 二阶矩：基于梯度平方的指数移动平均，反映梯度变化率，实现参数自适应学习率。参数更新依据梯度不确定性，智能调整学习步长，确保参数空间内步进适中，优化效果更佳。

分布式训练中，指数加权平均（EMA）是减少噪声、保障稳定性的关键。尽管EMA引入需额外维护其指数平均值，占用一定空间，但其在提升训练效果上不可或缺，后续计算中可暂时忽略其影响。

• 模型参数高达175B，占用约350GB存储空间。在混合精度训练中，为确保训练稳定并减少误差，常保留一份FP32精度的参数，此时模型参数总量约达750GB，充分保障训练效果与数据安全性。
• Adam优化器状态占用高达700GB（350GB*2），包括一阶矩m和二阶矩v。若采用FP32存储，显存需求翻倍至1400GB，确保计算效能与数据精度。
• 梯度达350 GB。训练时，得益于链式法则，无需永久保存所有梯度。通过边反向传播边更新（如Pytorch默认操作），更新后即刻释放空间，这是显存优化的关键。然而，若采用梯度累积或需梯度常驻的方案，则无法实时销毁，需额外管理显存。
• 激活：相对以上参数会小一些，暂时忽略。

LLM预训练显存占用高达8倍参数量（或12倍），如175B模型占显存1400GB，远超单机8*H100 80G限制。为确保运行，至少需3台8*H100 80G设备，体现了模型训练的硬件挑战与资源需求。

2.3 分布式策略

2.3.1 DP + PP + TP

LLM模型庞大，单一GPU或机器难以容纳，故需进行切分处理。同时，为提高训练效率，普遍采用数据并行策略。图6展示了一种经典组合方案，结合数据并行（DP）、流水线并行（PP）及张量并行（TP），实现高效训练。这一策略不仅解决了模型容量问题，还显著提升了训练速度。

• DP切片实现并行处理，每片含完整模型副本，独立处理不同数据。完成训练步骤后，各切片通过All Reduce聚合梯度，并同步更新模型参数。这种策略显著提升了训练效率，确保模型更新的一致性和准确性。
• PP：将模型按照层次切分，不同 GPU 上可以放置一部分的层，通常需要切分尽可能的均衡。由于 Transformer 模型（Decoder）每一层参数量和计算量是固定的，因此相对比较好切分。不过也需要考虑开始的 Token Embedding 和最后 lm_head 中的 World Embedding，因此也有论文中会在第一个 PP 和 最后一个 PP 时让 Transformer Layer 少一点，以便更加的均衡（[2210.02414] GLM-130B: An Open Bilingual Pre-trained Model 中的 PP 为 8，共 70 层，中间各 9 层，起始各 8 层）。PP 的通信量相对比较小，因此常常会放在不同的机器上。
• TP技术可将模型如PP切片对应层分散至多个GPU，实现Tensor跨GPU划分。虽通信量增大，但置于单机内可充分利用NVLink高速带宽，优化性能。这种布局最大化机器内部资源，实现高效并行处理。

2.3.2 Zero-DP

为减少显存占用，我们常采用Zero-DP优化技术，包括Zero-1、Zero-2、Zero-3和Zero-offload等方案。这些优化技术源自Microsoft Research的ZeRO & DeepSpeed研究，它们让训练超过1000亿参数的模型成为可能。具体显存占用优化效果显著，为您的深度学习项目提供高效且经济的解决方案。

• Zero-1：在不同 DP 组之间进一步切分优化器状态。
• Zero-2：除了优化器状态外，进一步切分梯度。
• Zero-3：进一步切分模型参数。

2.3.3 EP

随着混合专家（MoE）模型的普及，其参数量激增。为高效训练，专家并行（EP）策略被广泛应用，即将不同专家分配至不同GPU上，也可与其他切分方案融合。如图6所示，2个专家E0和E1可被切分至4个GPU，每个GPU承载1/4的专家，实现高效并行处理，确保训练过程的高效与准确。

2.3.4 SP

其实有两个序列并行（Sequence Parallel，SP）的工作，一个是 ColossalAI 的 [2105.13120] Sequence Parallelism: Long Sequence Training from System Perspective，一个是 Megatron-LM 的 [2205.05198] Reducing Activation Recomputation in Large Transformer Models。两者都叫 SP，但是实际上方法不太一样，解决的问题也不同。

ColossalAI SP策略核心在于将序列数据细分为小子序列，并分发至多GPU并行运算。如图Figure 1，长L的序列被切割为N个L/N的子序列，实现N个GPU的高效并行处理，大幅提升处理效能。

序列间依赖关系需通过图2中的Ring Self-Attention机制实现通信，确保计算结果的等价性，实现高效信息交互。

如图Figure 5所示，Megatron-LM SP专注于解决TP中显存分摊难题。研究发现，LayerNorm和Dropout的输入输出未跨GPU分摊。由于它们在Token间无依赖，可按Sequence维度分割，各GPU仅处理序列部分，实现高效计算。此举显著提升显存利用率，为深度学习模型训练提供新策略。

2.3.5 CP

在 Megatron-LM 中还有上下文并行（Context Parallelism，CP），实际上就是 ColossalAI SP，也就是按照输入序列进行切分。如下图所示为 Megatron-LM 中 TP 和 CP 的组合，其中 AG/RS 表示 Forward 为 All Gather，Backward 为 Reduce Scatter；RS/AG 表示前向为 Reduce Scatter，反向为 All Gather。具体可参考 Context parallelism overview - NVIDIA Docs：

2.4 GPU 故障

GPU 故障是大规模 GPU 集群中最常见的问题之一，通常会暴露 ECC Error 或 Xid Code，有关 Xid Code 的错误可以参考 NVIDIA 的官方文档 XID Errors :: GPU Deployment and Management Documentation。也可参考一些公有云平台上的 FAQ，比如 常见 Xid 事件的处理方法--机器学习平台-火山引擎，此外也会提供一些排查手段，比如 自助诊断GPU节点问题-阿里云。

GPU 故障最大的挑战是其数量比较多，故障率比较高，一个 GPU 异常往往意味这个训练任务的暂停，而且通常需要按照整机的方式替换。比如 1 个 GPU 异常，通常是直接驱逐整机。这是因为大规模 LLM 预训练往往要利用单机内高速的 NVLink，如果不是整机调度很可能会影响整体吞吐。假设一天内 GPU 发生故障的概率为 0.1%，则一台 8 卡 GPU 机器每天发生故障的概率为 1-(1-0.1%)^8=0.8%，万卡 GPU 一天内有 GPU 发生故障的概率为 1-(1-0.1%)^10000=99.99%。

三、Meta OPT

3.1 概述

Meta 在 2022 年上半年开源了 OPT（Open Pre-trained Transformer）系列模型，期望复现 OpenAI 的 GPT-3 模型。并且公开模型、代码等，以便促进 NLP 技术在学术、工业界的研究和应用。对应的 Paper 为 [2205.01068] OPT: Open Pre-trained Transformer Language Models。除了论文之外，Meta 也公开了其训练的 logbook Meta OPT-175B Logbook，详细的记录了整个模型的训练过程，包括遇到的各种问题，相关的分析讨论以及采取的相应措施等，具有很大的参考价值。

OPT-175B模型依托992台80GB A100 GPU，每台GPU性能高达147 TFLOP/s，MFU占比约47%。为确保训练稳定，我们额外准备了12台备用机器，每日平均替换2台以应对机器异常（故障率1.61%）。这一举措充分展示了我们对训练过程稳定性和可靠性的高度重视。

经过长达两个多月的密集训练，涵盖了从2021年10月20日至11月11日的半月测试期，以及随后57天的正式训练，直至2022年1月6日圆满结束。相较于预期，训练时间超出预估的25天，展现了团队的专业与毅力。

300B*6*175B/(992*147)/3600/24=25 天

在训练中，实际有效时间仅占44%，问题频发。初期任务手动重启达35次，后引入自动重启机制。但硬件故障又触发70+次重启，平均日重启一次。这表明，提高训练效率和稳定性，仍是亟待解决的关键。

3.2 监控&容错

自11-06起，训练任务即已启动，然而至11-11，尽管尝试了多种方案，效果仍未达到预期。据数据记录（OPT/chronicles/10_percent_update.md），此期间共发生10次重启，每种颜色标记一次，彰显挑战之严峻。我们持续努力，力求突破。

作者经过深思熟虑，决定与OpenAI同步配置，以图为证，11.XX为旧配置，12.XX为同步后新配置，现正式开启11-11训练，从头出发，精益求精。

OPT-175B模型训练中，除配置重训外，常遇硬件异常需重启，如XX%的故障案例源于此类问题，确保系统稳定运行至关重要。

• GPU ECC错误频发，每1-2天就有1/128节点受影响，建议定期重启机器或重置GPU以确保稳定运行。
  • 任务异常风险不容忽视，如"p2p_plugin.c:141 NCCL WARN NET/IB：端口错误"的警告提示，直接指向潜在的任务异常，需及时排查处理。
• OPT-175B训练多次遭遇与IB/NCCL问题紧密相关的任务停滞，需人工介入检测，以确保训练顺利进行。
• GPU故障常见表现为CUDA Error或程序异常退出，如"RuntimeError: 捕获到设备4的pin memory线程中的RuntimeError"，这些信号均指示GPU可能出现掉卡问题，需及时排查解决。
• 机器异常：GPU 之外的硬件异常，比如硬盘、CPU 等异常，甚至机器直接挂掉。
• 机器配置异常：比如发现某个机器开启了 MIG。

任务异常的核心挑战在于计算资源的显著浪费。尽管Checkpointing机制支持从断点恢复训练，但因其体积庞大且伴随额外开销，需设定合理间隔进行保存。例如，每300步保存一次，异常后仅能从最新点恢复，平均损失150步的计算量。因此，优化Checkpointing策略，对于提升训练效率和资源利用率至关重要。

四、BigScience Bloom

4.1 概述

BigScience 的 Bloom（BigScience Large Open-science Open-access Multilingual Language Model）模型是一个开源、多语言的 LLM。它是众多研究机构和志愿者合作开发完成的，旨在解决多种语言和文化的通用性问题，并鼓励透明度和科学共享，以推动全球研究社区的协作。对应的论文为：[2211.05100] BLOOM: A 176B-Parameter Open-Access Multilingual Language Model。

BigScience 也公布了 Bloom 的详细训练 log：bigscience/train/tr11-176B-ml/chronicles.md at master，甚至包含详细的 Tensorboard 记录：bigscience/tr11-176B-logs · Training metrics。其从 2022-03-11 正式启动训练，并在 2022-06-28 完成 1 个 Epoch 的训练。由于还有预算，又接着训练了一段时间，并在 2022-07-04 从 48 台机器切换为 24 台机器。

Bloom训练运用48台搭载8个A100 80G的GPU机器，总计384 GPU，并配备4台灾备机，资源规模不及OPT-175B之半。此次训练处理了366B Token，GPU最高效率达156 TFLOPs，实际运行中保持150 TFLOPs，历时3.5个月。相较于理论上的77天，实际效率达70%，展现了高效的计算能力和卓越的资源管理。

 366B*6*175B/(384*150T)/3600/24=77 天

4.2 分布式并行方案

Bloom训练借助Megatron-DeepSpeed框架，融合Megatron-LM与DeepSpeed精髓。其分布式并行方案（8DP 12PP 4TP）如图6所示，显著提升训练效率。此外，还引入了ZeRO-1技术，进一步优化性能，确保训练的高效与精准。

4.3 监控&容错

训练中，作者遭遇硬件挑战，平均每周GPU异常1-2次。为减少损失，每3小时保存Checkpoint，重启时约损失1.5小时计算。同时，PyTorch死锁Bug和硬盘满载问题也导致5-10小时闲置。尽管面临诸多困难，作者仍持续努力，确保训练进程的稳定与高效。

在训练初期，Checkpoint保存间隔较大。然而，2022年3月21日，因GPU异常导致训练中断，浪费了7.5小时。随后，我们迅速调整策略，将保存间隔缩短至每200个Step一次，但次日再次遭遇失败，耗时再增。为减少损失，我们进一步将保存间隔缩减至每100个Step一次，确保每次中断最多仅损失3小时，极大提升了训练效率。

Bloom 训练时遭遇任务停滞问题（2022-04-xx）。为减少无效等待，作者在启动时设定“NCCL_ASYNC_ERROR_HANDLING=1”，确保NCCL能迅速终止进程，重启任务。同时，评估任务停滞及任务异常但Slurm未正常退出等问题亦被关注。这些优化措施有效提升了训练效率与稳定性。

作者也在 2022-04-28 遇到了训练降速问题（上图中的红框），训练吞吐大概降低 5%，GPU 从 149 TFLOPs 降低到 140 TFLOPs。作者怀疑是某个机器存在性能问题，因此停掉任务进行相应的网络吞吐测试，但是并没有发现异常节点。由于正好处于周末，并且手头没有现成的对所有 GPU 进行快速基准测试的工具，只能采用 3 个备份机器逐次替换的方案来找到异常机器。

经过多次尝试后终于发现异常机器，并将其替换，再次重启后恢复到 149 TFLOPs 的速度。（PS：有趣的是，单独测试时该机器的性能只有 2.5% 的降低，而不是 5%，但是将其加入集群再次测试时又能复现 5% 的性能下降）。

五、TII Falcon-180B

5.1 分布式并行方案

Falcon-180B，阿联酋TII的杰作，凭借180B参数，基于RefinedWeb数据集精心训练，完成3.5T Token的累积。采用4096 A100 40G GPU，64DP 8PP 8TP配置，以惊人的43,500 PFLOP/s-days算力支持。若MFU设为50%，训练天数可观，彰显了强大的科技实力与效率。

43500*1000T/(4096*312T*0.5)=68天

按照之前的计算公式得出了和上述一致的结论：

3.5T*6*180B/(4096*312T*0.5)/3600/24=68天

Falcon-180B采用GQA与8KV head设计，实现8TP方案，确保每个KV head独享GPU资源。这一布局充分利用单机内高速NVLink带宽，实现高效通信。在MLP Layer的矩阵乘法处理中，通过先列切后行切的优化策略，减少通信需求，显著提升计算效率。整个系统展现出卓越的并行处理能力和计算效率。

对于流水线并行（PP）：作者同样进行了 PP 的切分，使用的 PP 为 8，也就是模型按层切分为 8 个切片。为了减少 PP 中的 Bubble，作者采用了 [2006.09503] Memory-Efficient Pipeline-Parallel DNN Training 的 1F1B 方案。

此外，作者也尝试了 [2104.04473] Efficient Large-Scale Language Model Training on GPU Clusters Using Megatron-LM 中的 Interleaved-1F1B 方案，当每个 DP 中 Micro-Batch 较小时，Interleaved-1F1B 会有一定收益，但是当 Micro-Batch 比较大时，并没有获得收益。

如图4所示，常规1F1B与创新的Interleaved-1F1B形成鲜明对比。Interleaved-1F1B通过灵活调整Micro Batch的Forward与Backend顺序，显著减少Bubble现象，优化性能。尽管调度策略更为复杂，但其对1F1B的改进效果不容小觑，为数据处理带来了新突破。

在1F1B优化的基础上，为减少通信量，作者还引入了Scatter-Gather优化策略，显著提升效率。

1. 然后通过 P2P 通信传输到下一个 PP 切片对应的 GPU 上（跨机通信）。
2. 最终，通过All Gather操作，下一个PP切片的所有GPU同步获取全量激活数据（本机NVLink加速）。

在优化显存占用方面，尽管尝试采用序列并行（SP）结合ZeRO和FlashAttention，但效果并未显著提升，反而略有下降，故未采用SP策略。

数据并行（DP）作为主流并行策略，在TP和PP确定后，需结合资源情况设定DP并行度。特别值得注意的是，DP间的All Reduce会随着Batch Size增大而加重，最终趋近带宽限制，故需全面考量。鉴于拥有4096个GPU，最终DP并行度优化至4096/8/8=64，实现高效资源配置。

5.2 监控&容错

当 GPU 数目比较大时，有一个 GPU 出现故障的概率会急剧增加，比如 4096 GPU 稳定运行一天相当于一个 GPU 连续稳定使用 11 年。作者同样面临了硬件故障的问题，其中主要是 A100 的故障，尤其是 ECC Error 等。但也并不是所有的故障都会返回 Xid Code，通常需要人工测试来捕获，因为它们通常会导致计算返回 NaN。因此，作者在任务启动是会运行一系列的大型矩阵乘法来捕获这些故障。此外，还会启动一些简单的通信测试，以保证网络的正常。

确保任务稳定可靠，监控至关重要。现有Web-Based监控工具如Prometheus，采样间隔较长（15s至60s），易遗漏如毛刺等问题。为解决此局限，作者专门部署了高效可视化工具，实现精准监控，确保任务无忧运行。

5.3 训练损失毛刺（Spike）

在训练过程中，除了稳定性，训练损失波动也需关注。Falcon作者巧妙应对损失毛刺问题，通过恢复最新Checkpoint并跳过1B Token数据继续训练。在训练Falcon-180B时，成功应对了9次此类挑战，确保了训练的高效与准确。

其实 Google 训练 PaLM 模型（[2204.02311] PaLM: Scaling Language Modeling with Pathways）也遇到了同样的问题，作者在一个训练中遇到了 20 次的毛刺。针对此种情况，作者会重启训练，并从毛刺之前的 100 个 step 开始，然后跳过 200-500 个 Batch 的数据，通过这种方式，没有再出现毛刺现象。此外，作者也做了消融实验，发现并不是单个数据的问题，而可能是这连续的一系列 Batch 数据引起的。

在[2211.05100] BLOOM模型中，为确保训练稳定，研究者创新地引入StableEmbedding Layer。这一策略借鉴了bitsandbytes库，通过在Embedding Layer后增设layer normalization，显著提升了训练稳定性。这一创新方法不仅体现了技术的精湛，更彰显了对训练效果精益求精的追求，为176B参数的多语言模型训练提供了强有力的保障。

如下图所示，是 Bloom 中遇到的毛刺现象：

针对训练损失毛刺现象，[2210.02414] GLM-130B与bigscience/train/tr8b-104B/chronicles.md已深入探讨与实验。二者均提供了专业见解与实证数据，对于理解和解决这一问题具有重要参考价值。详情请查阅原文，以获取更全面的分析与策略。

六、字节 MegaScale

字节在今年 2 月份发表了 [2402.15627] MegaScale: Scaling Large Language Model Training to More Than 10,000 GPUs，其中详细介绍了万卡 GPU 训练 LLM 的各种挑战和非常全面的优化手段。如下图 Table 2 所示，其最终在 3072 GPU 上实现了 59.1% 的 MFU，在 12288 GPU 上也实现了 55.2% 的 MFU，相比 Megatron-LM 明显提升。

6.1 优化手段

算法优化聚焦三大核心：首先，引入并行Transformer Block，实现Attention与MLP的高效并行处理；其次，应用滑动窗口Attention，显著减少计算负担；最后，采用LAMB优化器，不仅维持精度，还能将Batch Size扩大4倍，有效降低PP中的Bubble问题。这一创新使得MegaScale在PP Bubble上减少了高达87.5%的损耗，为大规模计算提供了更为高效、稳定的解决方案。

通信优化涵盖分布式DP、PP的overlap，以及TP与SP间的高效重叠，三大关键方面助力实现通信效率的大幅提升。

通过采用FlashAttention-2及LayerNorm与GeLU的算子融合技术，显著提升了算子优化效果。

数据处理优化关键于异步加载与共享机制。异步数据加载能在 GPU 同步梯度时处理下一轮数据，有效隐藏处理成本。同时，由于 TP 组在同一机器内共享数据，我们实现 DataLoader 的跨机器共享，并将数据存储在共享内存中，让每个 GPU Worker 直接从共享内存加载，极大提升数据处理效率。

字节对集合通信初始化进行了显著优化，解决了 GPU 规模扩大时，使用 torch.distributed 进行 NCCL 初始化的高昂开销问题。在 2048 Ampere GPU 上，初始化时间从原先的 1047 秒锐减至 361 秒，效率大幅提升。同时，全局 barrier 的优化也实现了复杂度从 O(n²) 到 O(n) 的跨越，进一步提升了系统性能。这些优化确保了在大规模 GPU 环境中，计算任务能更高效地执行。

6.2 监控&容错

面对万卡级别的训练挑战，软硬件故障频发。为确保训练稳定，作者创新构建自动故障检测与秒级恢复机制，实现高效容错，大幅减少人工介入，保障训练流程的高效与安全。

如图Figure 5所示，作者构建了一套高效稳定的训练流程。用户提交任务后，系统自动在各GPU上创建训练Executor，并伴随训练守护进程，定期向Driver发送包含多种信息的心跳信号，以实现实时异常检测与告警。若Driver在指定时间内未接收到心跳，将自动启动故障恢复流程，确保系统稳定运行。

1. 暂停所有训练的 Executor，并执行一系列的自检诊断。
2. 一旦发现异常机器，立即剔除并替换为等量健康机器。同时，提供用户接口，支持手动识别并剔除异常机器，确保集群高效稳定。
3. 机器恢复后，将自动从最新Checkpoint恢复训练。作者已优化Checkpoint的保存与恢复流程，确保训练进度几乎不受影响，高效便捷。

通过上述的守护进程，可以收集详细的信息用于数据分析。其心跳信号包括 IP 地址，Pod 名字，硬件信息等，还包含当前的训练进度信息。除此之外，训练进程的 stdout/stderr 日志也会被收集，以便进行实时的聚合、过滤和分析。如果识别到 warning 或 error 等关键字，Driver 将实时的上报这些诊断信息。最后，RAMA 的流量指标也会包含在内，以便更好的识别网络利用率和通信效率。为了增强对训练稳定性和性能的监控，字节开发了一个精确到毫秒级的监控系统，以便进行更全面的评估。

自检诊断流程精准高效，作者巧妙平衡诊断时长与准确性，采用轻量级测试，全面覆盖软硬件故障，确保训练过程无忧。

• 机内测试：
  • 回环测试：全面测量机器内RAMA网卡至内存、GPU等端点的回环带宽，实施full-mesh测试，覆盖所有链路组合，精准识别PCIe配置中的潜在链路问题，确保系统性能稳定可靠。
  • RNIC-to-RNIC测试精准评估机内RNIC间连通性与带宽性能，确保速度规格达标，及时发现潜在路由问题，保障网络高效稳定。
• NCCL测试精准高效，包括机内All-to-All测试与TOR交换机间All Reduce测试，旨在迅速识别并解决潜在硬件故障与性能瓶颈。

Checkpoint保存与恢复优化，采用两阶段高效方案。第一阶段，GPU训练进程迅速将显存状态写入主机内存，借助高速PCIe带宽，仅耗时数秒，确保训练无间断。第二阶段，后台进程异步将状态同步至HDFS分布式文件系统。此方案确保训练连续性与数据安全性，极大提升效率。

在训练过程中，作者还发现 MFU 会随着训练的迭代逐步下降，但是单独测试机器的性能又没有发现明显的差异。为了诊断这些问题，作者开发了一个性能剖析工具，其会记录每个训练 Executor 中关键代码片段的执行时间。与 torch profiler 和 Megatron-LM timer 不同，作者的工具基于 CUDA events，可以最大程度减少对 CUDA 同步的需求，从而避免性能下降。通过 profiler 工具，作者发现训练过程中有 0.5% 的机器性能较差，驱逐这些机器后 MFU 变得很稳定。

可视化工具能呈现DP、PP、TP等多种分布式视图，如图8所示，直观展示了PP数据依赖关系，助您轻松洞察数据流向与关联。

• 为了提升基于NCCL通信库的多机RDMA网络性能，在HPC测试中，建议增大超时阈值。NCCL_IB_TIMEOUT的可调范围为1-22，尽管NCCL 2.14版本后将默认值从14提升至18，但推荐设置为22以优化性能。需要注意的是，有推荐设置为23的情况，但需谨慎调整。火山引擎GPU云服务器助力您轻松应对高性能计算挑战。
• 核心问题在于网卡、AOC电缆与交换机间链路质量不佳。通过强化网卡信号、AOC电缆质量及交换机侧信号的质量管理，我们成功将抖动频率控制在可接受范围内。

除了 NCCL_IB_TIMEOUT 之外，也可以关注 NCCL_IB_RETRY_CNT 的配置，表示重试次数，默认配置为 7 即可。奇怪的是，NCCL 官方文档并没有介绍 NCCL_IB_RETRY_CNT 的范围，不过其对应的值为 3bit 数值，最大也就是 7，不确定超过 7 后会怎么处理，可以参考如下图所示的 issue NCCL only use RDMA_WRITE/READ why it still got opcode 0 error 12 err · Issue #902 · NVIDIA/nccl · GitHub：

七、DLRover

7.1 概述

阿里针对大规模LLM训练难题，推出DLRover——一款自动化分布式深度学习系统。DLRover具备容错、Flash Checkpoint及弹性能力，确保训练稳定高效。同时，计划开源其性能分析工具xpu_timer，进一步提升训练效率。立即体验DLRover，轻松应对大规模LLM训练挑战。

7.2 容错&自愈

DLRover通过自动节点检查与训练进程重启，显著增强训练稳定性，实现故障自愈，有效降低人工运维成本，优化流程高效便捷。

• 任务失败后保存 Checkpoint 并启动故障检测。
• 检测到异常机器后会驱逐并找到新的机器替换。
• 重新检测正常后重启任务，加载最新的 Checkpoint 继续训练。

机器检测流程高效精简，每个GPU启动子进程执行轻量级任务，涵盖矩阵乘法与All Gather操作，确保高效数据处理。

检测过程中，Job Master巧妙地将节点配对成多个Group，并在其内执行All Gather任务，实时报告结果。一旦Group中节点检测失败，即标记为潜在故障机。紧接着，启动第二轮精准测试，重新组合故障与正常机器，从而精准识别故障源，确保系统稳定运行。

7.3 Flash Checkpoint

DLRover发布的Flash Checkpoint实现大模型训练秒级容错，详述了其卓越能力：支持快速恢复训练中断，确保数据完整性与训练效率，为大规模模型训练提供强大保障。

• DLRover独具断点续存功能，故障时迅速将Checkpoint数据持久化存储，确保数据不丢失，大幅减少迭代时间损耗，提升效率。
• 内存热加载优化：非宕机问题下，重启训练进程即可从主机内存加载Checkpoint，无需访问存储系统，显著提升效率。

7.4 弹性

DLRover革新TorchElastic的ElasticAgent，大幅增强弹性。训练任务遇挫或资源紧缺时，能智能驱逐异常机器，精简资源继续训练；一旦资源充足，即迅速扩容，无缝衔接训练，确保高效稳定。

7.5 Profiling 工具

作者最新推出的Profiling工具——xpu_timer，为大模型训练提供全面故障排查方案。该工具截获Cublas/Cudart库，利用cudaEvent精准计时训练中的计算与通信。更配备Timeline分析、Hang检测及栈分析功能，确保训练无死角。尽管尚未正式开源，但已展现出卓越性能与潜力。

-对此，您有什么看法见解？-

-欢迎在评论区留言探讨和分享。-