16384塊N卡訓(xùn)練4050億參數(shù)大模型：3小時(shí)報(bào)錯(cuò)一次

如今的AI大模型規(guī)模越來(lái)越龐大，動(dòng)輒成百上千億參數(shù)，訓(xùn)練過(guò)程不僅需要數(shù)萬(wàn)甚至十幾萬(wàn)塊GPU加速卡，出錯(cuò)的幾率也越來(lái)越高。Meta(Facebook)就披露了一份驚人的報(bào)告。

Meta在報(bào)告中披露，為了訓(xùn)練自己的Llama 3 4050億參數(shù)大模型，使用了包含16384塊NVIDIA H100 80GB GPU的集群，一共花了45天，期間居然出現(xiàn)了419次意外報(bào)錯(cuò)，平均每3個(gè)小時(shí)就一次，而一半的錯(cuò)誤都和GPU及其自帶的HBM3內(nèi)存有關(guān)。

要知道，大模型訓(xùn)練的工作量異常龐大，而且需要高度同步，一次錯(cuò)誤就可能導(dǎo)致整個(gè)訓(xùn)練工作必須從頭再來(lái)。

報(bào)告顯示，為期45天的預(yù)訓(xùn)練階段中，總共出現(xiàn)了466次工作中斷，其中47次是計(jì)劃內(nèi)的自動(dòng)維護(hù)，419次是意外的，且大部分都來(lái)自硬件問(wèn)題，GPU又是最多的，占了其中的58.7%。

具體來(lái)說(shuō)，148次即30.1%的意外中斷來(lái)自各種GPU失效(包括NVLink總線(xiàn))，72次即17.2%來(lái)自HBM3內(nèi)存失效——畢竟，700W的功耗太熱了。

還有19次來(lái)自GPU SRAM，17次來(lái)自GPU處理器，6次來(lái)自GPU靜默數(shù)據(jù)錯(cuò)誤，6次來(lái)自GPU散熱和傳感器。

其他錯(cuò)誤來(lái)自軟件bug、網(wǎng)線(xiàn)和網(wǎng)卡等等各個(gè)方面。有趣的是，CPU錯(cuò)誤只出現(xiàn)了2次。

還好，Llama 3團(tuán)隊(duì)非常給力，在這么高的出錯(cuò)幾率下，依然維持了超過(guò)90%的有效訓(xùn)練時(shí)間，而且只有三次GPU報(bào)錯(cuò)需要大量人工干預(yù)，其他都被自動(dòng)化管理糾正了。