7 月 28 日消息，Meta 發(fā)布的一份研究報(bào)告顯示，其用于訓(xùn)練 4050 億參數(shù)模型 Llama 3 的 16384 個(gè)英偉達(dá) H100 顯卡集群在 54 天內(nèi)出現(xiàn)了 419 次意外故障，平均每三小時(shí)就有一次。其中，一半以上的故障是由顯卡或其搭載的高帶寬內(nèi)存（HBM3）引起的。
由于系統(tǒng)規(guī)模巨大且任務(wù)高度同步，單個(gè)顯卡故障可能導(dǎo)致整個(gè)訓(xùn)練任務(wù)中斷，需要重新開始。盡管如此，Meta 團(tuán)隊(duì)還是保持了 90% 以上的有效訓(xùn)練時(shí)間。
在為期 54 天的預(yù)訓(xùn)練中，共出現(xiàn)了 466 次工作中斷，其中 47 次是計(jì)劃中斷，419 次是意外中斷。計(jì)劃內(nèi)的中斷是由于自動(dòng)化維護(hù)造成的，而意外的中斷則主要源于硬件問題。 GPU 問題是導(dǎo)致故障的主要原因，占意外中斷的 58.7%。其中只有三起事件需要大量人工干預(yù)，其余的由自動(dòng)化管理。
在 419 個(gè)意外中斷中，148 個(gè)（30.1%）是由各種 GPU 故障（包括 NVLink 故障）引起的，而 72 個(gè)（17.2%）是由 GPU 的 HBM3 內(nèi)存故障引起的。有趣的是，54 天內(nèi)只有兩個(gè) CPU 發(fā)生故障。41.3% 的意外中斷是由多種因素造成的，包括軟件錯(cuò)誤、網(wǎng)絡(luò)電纜和網(wǎng)絡(luò)適配器。
為提高效率，Meta 團(tuán)隊(duì)開發(fā)了一系列工具和優(yōu)化策略，包括縮短任務(wù)啟動(dòng)和檢查點(diǎn)時(shí)間、利用 PyTorch 的 NCCL 飛行記錄器診斷性能問題、識(shí)別拖后顯卡等。此外，Meta 還關(guān)注到了環(huán)境因素的影響，如午間溫度波動(dòng)對(duì) GPU 性能的輕微影響，以及巨量 GPU 同時(shí)運(yùn)行對(duì)數(shù)據(jù)中心電網(wǎng)的巨大壓力。
然而，隨著人工智能模型參數(shù)量的不斷增加，所需的計(jì)算資源也隨之?dāng)U大。以 xAI 計(jì)劃中的 10 萬(wàn)塊 H100 顯卡集群為例，故障率可能會(huì)成倍增長(zhǎng)，給未來的 AI 訓(xùn)練帶來更大的挑戰(zhàn)。
