現今的AI大模型規模越來越龐大，動輒成百上千億參數，訓練過程不僅需要數萬甚至十幾萬塊GPU加速卡，出錯的幾率也越來越高。 Meta(Facebook)就揭露了一份驚人的報告。

Meta在報告中披露，為了訓練自己的Llama 3 4050億參數大模型，使用了包含16384塊NVIDIA H100 80GB GPU的集群，一共花了45天，期間居然出現了419次意外報錯，平均每3個小時就一次，而一半的錯誤都和GPU及其自帶的HBM3記憶體有關。

要知道，大模型訓練的工作量異常龐大，而且需要高度同步，一次錯誤就可能導致整個訓練工作必須從頭再來。

報告顯示，在為期45天的預訓練階段中，總共出現了466次工作中斷，其中47次是計畫內的自動維護，419次是意外的，且大部分都來自硬體問題，GPU又是最多的，佔了其中的58.7％。

具體來說，148次即30.1％的意外中斷來自各種GPU失效(包括NVLink總線)，72次即17.2％來自HBM3內存失效——畢竟，700W的功耗太熱了。

還有19次來自GPU SRAM，17次來自GPU處理器，6次來自GPU靜默資料錯誤，6次來自GPU散熱和感測器。

其他錯誤來自軟體bug、網路線和網路卡等等各方面。

有趣的是，CPU錯誤只出現了2次。

還好，Llama 3團隊非常給力，在這麼高的出錯幾率下，依然維持了超過90％的有效訓練時間，而且只有三次GPU報錯需要大量人工幹預，其他都被自動化管理糾正了。