Megatron-Core

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。