新的SCOUT框架可检测LLM预训练中的故障

研究人员开发了SCOUT，一个旨在精确定位大型语言模型（LLM）预训练期间故障的新框架。SCOUT通过在等效副本之间建立严格的多数共识来识别异常值，从而定位停顿、减速或数值错误的根源。即使在训练过程挂起时，该系统也能保持响应，并且其回放功能有助于检测静默数据损坏并验证检查点完整性。SCOUT与PyTorch、TorchTitan、Megatron-Core和DeepSpeed等流行框架兼容。 AI

影响 通过实现更快、更准确的故障诊断，提高了LLM预训练的效率和可靠性。

排序理由 该集群描述了arXiv论文中提出的一个用于LLM预训练故障定位的新框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• Consensus Collective Communication
• DeepSpeed
• LLM
• Megatron-Core
• PyTorch
• SCOUT
• TorchTitan

• 基础设施
• 论文

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →