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
- AWS 教程:SageMaker SDK v3 搭建车队级边缘视觉模型流水线 — AWS ML Blog · 2026-10-27
- Embedl 把 Qwen3.8-27B 压进 Jetson Thor:解码 40 tok/s,精度反超 FP16 — No-Dragonfly6246 · 2026-10-27
- Celesto 推出便宜近 90% 的 CI Runner，兼做 Agent 云电脑 — aniketmaurya · 2026-10-27
- Supabase 联创谈 AI 时代后端：为十亿个 AI 生成应用而设计 — Latent Space · 2026-10-27
- AW-0 单卡 RTX 5090 推理 230ms:联合去噪比自回归代码快 2.4 倍 — trevordarrell · 2026-10-27
- 全美市议会话题追踪网站：数据中心热度仅次于匹克球场 — zakkohane · 2026-10-27