Bekannte Probleme

In diesem Dokument werden bekannte Probleme beschrieben, die beim Ausführen von KI-optimierten Compute Engine-Instanzen oder -Clustern auftreten können. Weitere Ressourcen zur Fehlerbehebung finden Sie in den folgenden Anleitungen:

Probleme

Im folgenden Abschnitt finden Sie bekannte Probleme und Problemumgehungen für den AI Hypercomputer.

Arbeitslastunterbrechungen auf A4-VMs aufgrund von Firmwareproblemen bei NVIDIA B200-GPUs

NVIDIA hat zwei Firmware-Probleme bei B200-GPUs festgestellt, die von virtuellen A4-Maschinen (VM) verwendet werden. Diese Probleme können zu Unterbrechungen der Arbeitslast führen, z. B. dazu, dass der Befehl nvidia-smi nicht reagiert. Wenn Sie Arbeitslastunterbrechungen auf A4-VMs feststellen, prüfen Sie, ob eine oder mehrere der folgenden Bedingungen erfüllt sind:

Wenn eine dieser Bedingungen zutrifft, müssen Sie die GPUs zurücksetzen, die an Ihre A4-VMs angehängt sind. Um zukünftige Unterbrechungen Ihrer Arbeitslast aufgrund von Firmwareproblemen zu vermeiden, empfehlen wir, Ihre GPUs mindestens alle 60 Tage zurückzusetzen. Weitere Informationen finden Sie unter GPUs zurücksetzen.

Der Metadatenserver zeigt möglicherweise alte physicalHost-Metadaten an.

Nach einem Hostfehler oder nach Verwendung der API zum Melden fehlerhafter Hosts, um eine Compute-Instanz auf einen neuen Host zu verschieben, werden beim Abfragen des Metadatenservers möglicherweise die physicalHost-Metadaten des vorherigen Hosts der Compute-Instanz angezeigt.

Führen Sie einen der folgenden Schritte aus, um dieses Problem zu umgehen: