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。