Posts by Ashwin Poojary
数据中心/云端
2026年 11月 2日
借助 NVIDIA 身份识别诊断分布式 AI 工作负载故障
在分布式 AI 工作负载中,一个错误就会产生一系列症状。GPU 或网络事件可能会随着其他 rank 上的 NCCL 错误、
3 MIN READ
数据中心/云端
2026年 11月 2日
借助自动工作负载恢复保持分布式训练的运行
随着分布式 AI 训练的扩展,硬件和软件依赖项之间的故障会越来越多地干扰训练进程,因此快速、可靠的恢复至关重要。
2 MIN READ