AI模型训练任务启动失败与排查

Birchlabs · x · 2026-07-10

开发者在提交Slurm训练任务后遇到问题：任务起初仅分配到1个GPU而非预期的2个，导致在完成一个训练步骤和生成demo reel后挂起半小时。随后开发者通过使用完全相同的命令重新启动任务解决了该问题，这反映了分布式训练在资源调度启动时可能出现的不稳定性。