Meta 训练 Llama 3 模型：54 天内 16384 个英伟达 H100 显卡集群出现 419 次意外故障

由于系统规模庞大，任务同步程度高，单一显卡故障就可能导致整个训练任务中断，需要重新启动。尽管如此，Meta 团队仍然保持了 90% 以上的有效训练时间。

IT之家注意到，在为期 54 天的预训练期间，共发生 466 次工作中断，其中 47 次为计划中断，419 次为意外中断。计划中断由自动化维护引起，而意外中断主要由硬件问题引起。GPU 问题是故障的主要原因，占意外中断的 58.7%。其中只有三起事件需要大量人工干预，其余均由自动化管理。

在 419 次意外停机中，148 次（30.1%）是由各种 GPU 故障（包括故障）引起的，而 72 次（17.2%）是由 GPU 的 HBM3 内存故障引起的。有趣的是，54 天内仅发生过两次 CPU 故障。41.3% 的意外停机是由多种因素引起的，包括软件错误、网线和网络适配器。

为了提高效率，Meta 团队开发了一系列工具和优化策略，包括缩短任务启动和检查点时间、使用 NCCL 飞行记录器诊断性能问题、识别滞后的显卡等。此外，Meta 还关注环境因素的影响，比如午间温度波动对 GPU 性能的轻微影响，以及大量 GPU 同时运行对数据中心电网造成的巨大压力。

但随着AI模型参数数量的不断增加，所需的计算资源也随之扩大，以xAI计划中的10万块H100显卡集群为例，故障率可能呈指数级增长，给未来的AI训练带来更大的挑战。

本站简单学堂，主要教新手怎么在网上开店，分享网店运营知识，全力为学员打造一个电商学习的综合平台，欢迎您的关注。