你好,这里是 zzudongxiang 👋

摘要：最近用 MindSpeed 预训练一个 MoE 模型，碰到了两件怪事：续训后周期性 NaN，以及每次重启 loss 都往上跳一截。查到最后，是数据侧一行原地写把缓存的 mask 模板慢慢写坏了。 1. 事情的起因 最近在用 MindSpeed 预训练一个 MoE 模型，大概用了4台机器训练一个13B左右的参数，设置的是每 1000 步存一次Checkpoint 然后就遇到两件怪事： NaN：续训跑一段时间，反向传播里突然报 found NaN in local grad norm。奇怪的是loss还没爆炸，但是梯度先坏了，重启一下续训又好了。 loss 跳升：每次重启之后的第一段日志，loss比重启前都要稍微高一点，0.35 到 0.45 之间。 单看哪一条都不像大事。跳升嘛，换个数据窗口很正常；NaN 嘛，偶发的数值意外。但这两件事都只在"重启"之后出现，就有点意思了。 2. 问题排查 一开始的怀疑清单很长：硬件、通信、精度、学习率、数据…逐个排查。 通信和硬件：小整数all_reduce之类的逐位校验跑了一遍，多种dtype、多种尺寸，还加了乱序压力，全过；训练期间的通信日志也很干净。 精度：bf16换FP32残差、改路由精度，问题依旧。 学习率：跨15倍幅度、换warmup形状，问题还是依旧。 数据内容：把挂掉那一步的原始文档离线解码出来看，就是普通文本，没毒；换个seed重建整条样本流，它还是死在进程启动之后的某个固定的位置。 排到后面就剩一条线索：死点跟"训练到第几步"关系不大，跟"这个进程启动之后吃了多少样本"关系很大。同一份配置重启一次，计数器清零，故障就得重新攒一遍才出现。 换句话说，问题不在训练动力学里，在"某个随进程增长的状态"里。范围一下小了很多。 3. 罪魁祸首 GPTDataset.__getitem__ 会缓存loss mask，但缓存的是引用。 # 屏蔽PAD，代码直接原地清零 loss_mask[labels == self._pad_token_id] = 0.0 于是每个DataLoader worker都在改同一份模板。偏偏这份数据的PAD和EOS用的是同一个token id（151643），packed之后样本里到处都是它，模板里的有效位置就这么被一点点吃掉。 造成的影响： 软污染：mask的有效token变少，训练loss的计算口径慢慢偏。污染期间loss偏低，重启重建模板之后就"跳升"——其实只是回到了正确值。 硬失败：当某个局部microbatch的mask被吃到全零，token分母为0，反向直接出非有限值。 而这份缓存是每个worker自己的，一重启就重建。所以故障严格按"进程内消费的样本数"复现，严丝合缝。 4. 实锤的证据 用原版代码、原数据和原helper，把DP32 × 2worker的64条数据流在CPU上重放了一遍：最早出现全零mask的是rank4/worker1，相对训练步1508，而历史崩溃日志里记的计数器是1507——对上了。加clone之后，那条样本的有效token是 4091、raw PAD是5，64条流逐样本和当前标签一致。 更直接的是冻结权重：同一份权重、同一批输入、同一份模型输出，只换mask，重算5120条序列的CE。 同一权重、同一模型输出 CE 均值 重建历史污染mask 1.902 当前样本的正确mask 2.351 差值 +0.449 nats 当然，这只能量化mask的测量效应，不能反推历史每一步的权重到底偏了多少。 ...

摘要：用 16 个 Claude Code 实例（独立容器、独立 Gitea 身份）完成一个昇腾 910C Triton 算子数据集，观察多 Agent 的自组织、互检与平台瓶颈。 1. 引言 最近RSI相关的研究比较热门，我手上正好有一些vLLM的推理资源，平时用来做主力大模型用感觉有些慢，所以恰巧可以拿这些资源来做一些多Agent协作的研究和探索。 初步的实验发现：多Agent协作确实可以做到一些单Agent做不到的事情，但是仍然存在很大的问题，这可能也是多Agent协作还没形成非常完整的工具链形态的原因之一吧。 2. 环境准备 多Agent协作最Naive的想法就是每个Agent都有独立的任何和独立的上下文关系维护，没错，我现在也是这么干的，后端的Agent工具使用Claude Code，通过SDK把他接入群聊会话，但是在实现的路上也遇到了一些别的问题和思考： 2.1 上下文隔离 CC没有Hermes那样的独立Profile，默认情况下所有实例共用同一份配置目录。仅通过环境变量拆分工作目录，在放开权限后仍不能保证实例不会越狱。一旦某个实例的上下文被污染，并且污染被写入本地文件或Memory，很容易在实例之间连续传播。 采用的方式比较简单：1. 一个Agent一个Docker 容器；2. 容器之间共享同一份CC二进制文件；3. 工作目录、Memory、History各自独立。 这样可以保证即使某个Agent的上下文被污染，影响范围也被限制在它自己的容器内。 实测发现，污染主要发生在Memory和本地文件这条路径上。如果污染是通过Agent之间的消息传播的，其他Agent反而更倾向于质疑、复现和纠正，这一点和预期相反。 2.2 身份与权限 多 Agent 协作首先需要解决身份问题。如果所有 Agent 共用一个git身份，会出现两类问题：1. 把其他 Agent 的提交认成自己的；2. 否认自己实际做过的提交。 任务越长，这种身份错乱越严重，并且会加重幻觉。因此每个 Agent 都需要独立的 Gitea 账号、独立的 token，以及对应的 git user.name 和 git user.email。谁提交、谁评审、谁验收，必须能对应到具体身份。 2.3 平台能力 平台主要提供三类工具面（独立的运管平台）： 统一MCP入口：代码提交、作业提交、知识库查询统一到一个入口； 群聊MCP网关：支持私聊、群聊和@； 项目管理工具：Issue、看板和PR，提供但不强制使用（需要把选择权交给Agent本身）。 但是实际上测试的时候发现，即便有这样的软约束，一旦Agent之间达成共识，也是按照他们的共识进行项目管理。（当然，并不是说这种方式不好，只是他们会在Git里面提交大量的实验日志和实验记录，并不太符合我的预期。） 3. 有趣的发现 3.1 自组织 向 Agent 下发一条约束：作业必须使用单机 8 卡提交。没有规定它们如何验证。 ...

1. 挑战与贡献 挑战 模型的多样性和更新速度无法与云基础设施上不断变化、高度多样化的人工智能生产工作负载相匹配 工程师或研究人员需要手动选择现有的生产或开源工作负载，并将其调整为可用于基准测试的形式 贡献 框架：建立了一个可扩展的自动化端到端基础设施，可对真实生产型人工智能工作负载的执行轨迹进行剖析和重现 高精度：通过在warehouse-scale fleet中运行的几个 PyTorch 生产工作负载对 Mystique 进行了评估，结果表明，生成的基准在性能和系统级指标方面与原始基准非常接近 可移植性：展示了跨平台生成基准的可移植性，并评估了 Mystique 可应用的几种情况，包括早期平台评估、子轨迹重放和缩小性能测试 2. 相关工作 Benchmark DeepBench：提供了一套深度神经网络（DNN）使用的基本操作，并在不同平台上对其进行了评估 TBD：确定了八个具有代表性的 DNN 模型，并在不同的深度学习框架和硬件配置上进行了详细的性能分析 DAWNBench：测量训练和推理的端到端性能，以规定的精度为前提，允许软件、算法、通信方法的创新 MLPerf：目前最为流行的Benchmark 仿真工具 Sniper：并行、可扩展的CPU仿真工具，对多核和多处理器进行高度抽象 gem5：一种微架构的仿真器，目前适用于仿真GPU GPGPU-Sim：提供一种时钟周期级别的仿真工具，可以对运行CUDA和OpenCL的Nvidia GPU进行仿真 性能建模 Daydream：根据内核-任务依赖图预测模型在某些优化条件下的运行时间 Habitat：使用波形缩放和 MLP 预测 DNN 训练的执行时间 CM-DARE：提出了一种利用云端 GPU 服务器进行分布式训练的性能模型 性能收集 MicroGrad：收集CPU指标，并使用基于梯度下降的调整机制来生成工作负载克隆和压力测试 PerfProx：根据硬件性能计数器得出的性能指标，生成真实世界数据库应用程序的miniature proxies CAMP：模拟核心性能、内存位置以及它们之间的相互作用，以模仿BigData应用程序 ECHO：重点是利用统计模型克隆分布式云应用中的网络行为，并生成与原始服务的定位和流量特征相似的合成基准 Ditto：提出了一种自动克隆框架，该框架可捕获分布式云应用程序的低级和高级性能指标 G-MAP：为 GPU 应用程序的内存访问模式和并行性建模，以创建内存代理 GPGPU-MiniBench：生成 CUDA GPGPU 内核的miniature proxies，以保持相似的性能 3. 相关背景 Pytorch ATen ops：低层级的Tensor库，是Pytorch的后端，用于执行真实的计算任务（加法、矩阵乘法等） Communication ops：多设备之间的分布式训练通信，通常为异步的。在Pytorch中c10d是一个非常流行的通信库，提供了大量的集合通信API和P2P通信API Fused ops：融合操作，是一种计算加速优化方法，可以把多个操作融合成一个运算操作。CPU中常用NNC作为融合操作的后端，GPU中为NVFuser Custom ops：允许用户实现比默认实现更好的模型块 4. Mystique设计 ...

Alibaba High Performance Network (HPN) HPN介绍了一种两层的双平面网络，可以在一个Pod中接入1.5w个GPU，通常需要3层Clos架构的网络才能容纳这么多GPU HPN 提出了一种新的双 ToR 设计，以取代传统数据中心网络中的单 ToR 1. 贡献与挑战 挑战 流量模式 传统网络无法应对LLM的低熵、周期性、突发的网络特点，传统的数据中心网络一般是高熵的（传统网络中会存在百万条流，但是每条流的利用率特别低，一半小于20%） ECMP在传统的数据中心的高熵、低利用率的网络中性能表现较好，但是在LLM训练中并不是最佳的 单点故障的敏感性高 LLM训练是一个同步过程，所有GPU合作完成一系列迭代，任何一个GPU发生故障都有可能导致整个训练过程出现问题 对LLM训练影响最大的是与机架顶部（ToR）相关的单点故障，这种故障可能会影响到各种GPU 生产统计数据显示，LLM训练中出现的故障造成的损失是一般云计算故障的 20 倍 贡献 非堆叠的双层ToR网络，可以在两个交换机之间直接同步，很好的改善了大规模部署的可信度 适配最新的51.2Tbps的交换机芯片，可以将1K个GPU部署在Tier 1网络中，使96.3%的训练任务获得高性能的网络 我们的实验表明，使用HPN的LLM训练吞吐量比传统数据中心网络高14.9倍 2. 背景知识 LLM的并行策略 DP：每次迭代使用All Reduce同步计算梯度数据 PP：每次使用Send/Recv传递中间结果 TP：每次迭代使用All Reduce/All Gather同步输出和对应的梯度 LLM的流量特征 带宽利用率周期性突发 流的数量少 传统的数据中心网络不适用于LLM流量模式 LLM对单点故障的敏感性 LLM每次的Checkpoint间隔大概在2-4小时，按照一个3k张GPU的集群计算，每次失败导致的回滚都将导致大约3w美元的损失 常见的监控工具和异常分析工具并不能避免网络产生故障，根据实验表明，在NIC到ToR之间每个月大概有0.057%的Link故障率，在ToR交换机每个月的故障率大约是0.051%，即一个LLM训练集群每个月可能会产生1-2次的Crash，5k-60k次的Link故障 LLM网络架构的建设目标 规模化：达到15K个GPU的规模，未来可以扩展到100K个GPU的规模 高性能：尽可能小的网络跳数，尽可能使用GPU-GPU直达的连接 单点故障容错率：在网络拓扑层尽可能改善单点故障的容错率 3. HPN架构 分为前端网络和后端网络，前端网络主要负责例如管理、接口、存储等网络流量，后端网络负责LLM的训练时的流量 每个Host包含8个GPU，使用NVLink互联，双向带宽达到400GBps-900GBps 每个Host包含9个2x200Gbps的网卡，其中一个连接到前端网络，其余的8个与GPU直连，接入后端网络 每个网卡的2个端口分别连接至不同的ToR网络，这种双ToR设计可以避免单点故障 4. 双ToR网络 传统数据中心的NIC的两个光缆接入一个交换机成为单ToR设计 双ToR设计将NIC的两个光缆接口分别接入不同的ToR交换机中 两个接口配置相同的IP和MAC地址，即使其中一个ToR故障，另外一个依旧可以正常工作 基于以上，同一个NIC的两个网卡共享相同的Queue Pair Context ...

we survey the current state-of-the-art collective communication libraries (namely xCCL, including NCCL, oneCCL, RCCL, MSCCL, ACCL, and Gloo), with a focus on the industry-led ones for deep learning workloads. 常见的MPI库：MPICH、MVAPICH、OpenMPI 其他的非MPI库：OpenSHMEM（Open-source Symmetric Hierarchical MEMory）、UCX（Unified Communication X）、UCC（Unified Collective Communication） 常见的xCCL库：NVIDIA Collective Communications Library (NCCL)、AMD’s ROCm Collective Communication Library (RCCL)、Gloo 1. 贡献与挑战 挑战 什么让同时代的xCCL比MPI更具有吸引力？ 每种集合通信库的性能特性如何？ 这些xCCL库是如何设计的？是否存在某种共享的设计模式？ 贡献 总结和研究集合通信原语、网络拓扑、算法，为同时代的深度学习训练奠定基础 讨论这些研究的工业集合通信解决方案以及其细节测试 对比当前的集合通信库的性能情况 2. 集合通信原语 Broadcast：常用于将训练数据发送到各个设备上 All Reduce：广泛应用于分布式神经网络训练的后向传播阶段 All Gather、Scatter、All-to-All、Reduce、Reduce Scatter 3. 网络拓扑架构 3.1 HyperCube 优点：高度的连接性，不容易发生故障 ...