3 篇文档带有标签「SDC」

硬件静默错误的根因、检测方法及对 AI 训练的威胁

大规模训练里慢节点怎么发现和处理

本章节范围：10K-100K GPU 规模 LLM 训练 / 推理集群的故障图谱、MTBF 量级、训练中断成本与主流缓解策略。