PyTorch Monarch 落地 AMD GPU 支持容错分布式训练
PyTorch · x · 2026-07-08
PyTorch Foundation 博客介绍，AMD 与 Meta 贡献者将 PyTorch Monarch 移植到 AMD Instinct GPU（基于 ROCm），以支持大规模容错分布式训练。
文章梳理了 Monarch GPU 运行时与分布式通信栈的 ROCm 移植，并展示 Monarch、TorchFT、TorchTitan 如何让健康副本在故障节点恢复并重新加入期间继续训练，而无需完整 checkpoint 重启。
验证包括在 128 卡 AMD Instinct MI300（SLURM 集群）和 256 卡 MI355（Kubernetes 集群）上训练 Llama 3 8B。
「Infra」频道最新
- 一天烧完两次 ChatGPT 额度，网友造新词「老黄—奥特曼定律」 — yihui_indie · 2026-09-11
- AI 消耗量分三波浪潮：2026 年 2 月 Agent 用量已超人类 — AccBalanced · 2026-09-11
- 英伟达已成主流 Robotaxi 栈核心：训练仿真车载计算全覆盖 — pdamodaran · 2026-09-11
- AI 工程师必懂的 12 种 KV Cache 压缩技术一文讲透 — blaizedsouza · 2026-09-11
- 影子算力市场走向台前,Meta 对外出售过剩 GPU 算力成标志性信号 — DavidLinthicum · 2026-09-11
- Engram 随机读取不适合 SSD，CPU 内存低延迟共享或成正解 — bookwormengr · 2026-09-11