Errores conocidos

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:

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 149 que menciona 0x02a.

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: