已知問題

本文說明執行 AI 最佳化 Compute Engine 執行個體或叢集時,可能遇到的已知問題。如需其他疑難排解資源,請參閱下列指南:

問題

以下列出 AI Hypercomputer 的已知問題和解決方法。

NVIDIA B200 GPU 韌體問題導致 A4 VM 工作負載中斷

NVIDIA 已發現 B200 GPU 有兩個韌體問題,這些 GPU 是 A4 虛擬機器 (VM) 執行個體所使用。這些問題可能會導致工作負載中斷,例如 nvidia-smi 指令沒有回應。如果發現 A4 VM 的工作負載中斷,請確認是否符合下列一或多項條件:

如果符合上述任一條件,就必須重設 A4 VM 附加的 GPU。為避免日後因韌體問題而中斷工作負載,建議您至少每 60 天重設一次 GPU。詳情請參閱「重設 GPU」。

中繼資料伺服器可能會顯示舊的 physicalHost 中繼資料

發生主機錯誤或使用回報故障主機 API 將運算執行個體移至新主機後,查詢中繼資料伺服器時,可能會顯示運算執行個體先前主機的 physicalHost 中繼資料。

如要解決這個問題,請按照下列其中一種做法進行: