En este documento, se describen los problemas conocidos que puedes encontrar cuando ejecutas instancias o clústeres de Compute Engine optimizados para IA. Para obtener otros recursos de solución de problemas, consulta las siguientes guías:
- Para conocer los problemas con las instancias de procesamiento, consulta Problemas conocidos de Compute Engine.
- Para ver los errores de
ZONE_RESOURCE_POOL_EXHAUSTEDo de capacidad que se producen cuando creas instancias de procesamiento o clústeres, consulta Soluciona problemas de disponibilidad de recursos. - Para ver los errores que se producen cuando intentas consumir reservas, consulta Soluciona problemas de consumo de reservas.
Problemas
En la siguiente sección, se enumeran los problemas conocidos y las soluciones alternativas para AI Hypercomputer.
Interrupciones de las cargas de trabajo en las VMs A4 debido a problemas de firmware en las GPU NVIDIA B200
NVIDIA identificó dos problemas de firmware para las GPUs B200, que usan las instancias de máquinas virtuales (VM) A4. Estos problemas pueden causar interrupciones en la carga de trabajo, como
que el comando nvidia-smi no responda. Si notas interrupciones en la carga de trabajo
en las VMs A4, confirma que se cumplan una o más de las siguientes condiciones:
- El tiempo de actividad de la VM (
lastStartTimestamp) supera los 65 días. - Los registros muestran un
mensaje de error
Xid 149que menciona0x02a.
Si se cumple una de estas condiciones, debes restablecer las GPU que están conectadas a tus VMs A4. Para evitar interrupciones futuras en tu carga de trabajo debido a problemas de firmware, te recomendamos que restablezcas tus GPUs al menos una vez cada 60 días. Para obtener más información, consulta Restablece las GPU.
Es posible que el servidor de metadatos muestre metadatos de physicalHost antiguos
Después de experimentar un
error de host o
usar la
API de informe de host defectuoso para
mover una instancia de procesamiento a un host nuevo, cuando
consultas el servidor de metadatos,
es posible que se muestren los metadatos physicalHost del host anterior de la instancia de
procesamiento.
Para solucionar este problema, realiza una de las siguientes acciones:
- Usa el método
instances.geto el comandogcloud compute instances describepara recuperar la información correcta dephysicalHost. - Detén y, luego, inicia la
instancia. Este proceso actualiza la información de
physicalHosten el servidor de metadatos. - Espera 24 horas para que se actualice la información de
physicalHostde la instancia afectada.