新火種
2024-07-29 
首頁(yè) >
AI資訊 >
行業(yè)動(dòng)態(tài) >
16384塊NVIDIAH100訓(xùn)練MetaLlama34050億參數(shù)大模型：3小時(shí)報(bào)錯(cuò)一次
16384塊NVIDIAH100訓(xùn)練MetaLlama34050億參數(shù)大模型：3小時(shí)報(bào)錯(cuò)一次
7月29日消息，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)，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。
相關(guān)推薦
- 免責(zé)聲明
- 本文所包含的觀點(diǎn)僅代表作者個(gè)人看法，不代表新火種的觀點(diǎn)。在新火種上獲取的所有信息均不應(yīng)被視為投資建議。新火種對(duì)本文可能提及或鏈接的任何項(xiàng)目不表示認(rèn)可。 交易和投資涉及高風(fēng)險(xiǎn)，讀者在采取與本文內(nèi)容相關(guān)的任何行動(dòng)之前，請(qǐng)務(wù)必進(jìn)行充分的盡職調(diào)查。最終的決策應(yīng)該基于您自己的獨(dú)立判斷。新火種不對(duì)因依賴本文觀點(diǎn)而產(chǎn)生的任何金錢(qián)損失負(fù)任何責(zé)任。
