- 1
- 2
- 3
- 4
- 5
大模型训练实测之国产GPU集群Checkpoint保存与故障恢复时间压测数据对比.docx
资料介绍
大模型训练实测之国产GPU集群Checkpoint保存与故障恢复时间压测数据对比
测试背景
大规模AI训练中，Checkpoint的保存效率和故障恢复速度直接决定了有效训练时间占比。在万卡级集群中，Checkpoint保存时I/O风暴和故障恢复时的RDMA重路由是核心瓶颈。
故障恢复的核心瓶颈在QP重建阶段（290μs）和Checkpoint加载阶段（2.8s）。 A100的NVLink+InfiniBand方案在QP重建上具有硬件加速优势。
小结
昇腾910B集群的Checkpoint保存效率（256卡18s）和故障恢复时间（3.8s）已达到接近A100的水平（15s和3.0s）。寒武纪和海光方案在I/O并行化和RDMA重路由优化方面仍有改进空间。
部分文件列表
| 文件名 | 大小 |
| 248-大模型训练实测之国产GPU集群Checkpoint保存与故障恢复时间压测数据对比.docx | 37K |
最新上传
- 打赏
- 30日榜单
-
yahuang001 打赏3.00元 3天前
-
yahuang001 打赏1.00元 3天前
-
zhongshaoxiong 打赏3.00元 3天前
-
他山之石可攻玉 打赏60.00元 3天前
用户：烟雨
-
江岚 打赏210.00元 3天前
用户：潇潇江南
-
江岚 打赏100.00元 3天前
-
21ic下载 打赏310.00元 3天前
用户：gsy幸运
-
21ic下载 打赏310.00元 3天前
用户：zhengdai
-
21ic下载 打赏310.00元 3天前
用户：江岚
-
21ic下载 打赏210.00元 3天前
用户：潇潇江南
-
21ic下载 打赏60.00元 3天前
用户：他山之石可攻玉
-
21ic下载 打赏60.00元 3天前
用户：烟雨
-
21ic下载 打赏60.00元 3天前
用户：w178191520
-
21ic下载 打赏60.00元 3天前
用户：w993263495
-
21ic下载 打赏110.00元 3天前
用户：xzxbybd
-
21ic下载 打赏60.00元 3天前
用户：zq_1943
-
21ic下载 打赏20.00元 3天前
用户：kk1957135547
-
21ic下载 打赏20.00元 3天前
用户：sun2152
-
21ic下载 打赏20.00元 3天前
用户：铁蛋锅
-
21ic下载 打赏20.00元 3天前
用户：xuzhen1
-
21ic下载 打赏20.00元 3天前
用户：w1966891335
-
21ic下载 打赏35.00元 3天前
用户：有理想666
-
21ic下载 打赏15.00元 3天前
用户：nuaanuaa111
-
21ic下载 打赏20.00元 3天前
用户：liqiang9090
-
21ic下载 打赏15.00元 3天前
用户：ningmengge
-
21ic下载 打赏10.00元 3天前
用户：mulanhk
-
21ic下载 打赏5.00元 3天前
用户：asys
-
21ic下载 打赏10.00元 3天前
用户：舞蹈荀彧
-
21ic小能手 打赏5.00元 3天前
资料：磁编码器开源方案
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
江岚 打赏20.00元 3天前
-
江岚 打赏50.00元 3天前
-
江岚 打赏20.00元 3天前
-
江岚 打赏10.00元 3天前
-
21ic小能手 打赏10.00元 3天前
-
21ic小能手 打赏8.00元 3天前
-
21ic小能手 打赏8.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏3.00元 3天前
全部评论(0)