实体
Xid errors
Xid errors
PulseAugur coverage of Xid errors — every cluster mentioning Xid errors across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 0
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
Anyscale 推出 GPU 健康可观测性以诊断硬件故障
Anyscale 已推出其 GPU 健康可观测性工具的私有预览版，旨在弥合 GPU 集群中应用级故障与底层硬件问题之间的差距。这一新的可观测性层与 KubeRay 和 Kubernetes 集成，将 XID 错误和 ECC 内存计数等关键硬件信号与正在 GPU 上运行的特定 Ray 作业和工作区相关联。此前，诊断硬件故障需要手动关联来自不同工具的数据，导致工程时间大量损失。
-
Together AI 通过自动修复和 Slinky 1.0 提高 GPU 集群的可靠性
Together AI 增强了其 GPU 集群，增加了专注于大规模 AI 工作负载的可靠性和运营控制的新功能。这些更新包括被动健康检查，用于在主动使用期间检测硬件和软件的降级；以及一个自动节点修复系统，该系统建议并执行诸如重启或重新配置故障节点之类的操作，关键任务需要人工监督。此外，Together AI 使用 Slinky 1.0 重建了其 Slurm-on-Kubernetes 堆栈，以提高作业调度的稳定性和弹性。