使用 NVIDIA Attribution 诊断分布式 AI 负载故障

NVIDIA 介绍了如何通过 NVIDIA Attribution 工具诊断分布式 AI 任务中的级联故障并定位根因。在分布式工作负载中，单一 GPU 或网络 Fabric 异常往往会扩散为多个 Rank 上的 NCCL 报错并产生海量下游信息，常规异常只能反映停机位置而非始发点。该内容通过示例演示了如何基于负载证据运行诊断，协助排查定位初始故障。