Skip to main content

distributed-hang-diagnosis

Étoiles6
Forks5
Mis à jour20 juillet 2026 à 11:53

Reference for PyTorch distributed training hang patterns, NCCL communicator architecture, flight recorder output format, debug logging levels, and timeout configuration. Covers barrier deadlocks, p2p hangs after communicator abort, init timeouts from store, collective mismatches, and DDP unused parameter hangs. Includes ARCHITECTURE.md with source-level ProcessGroupNCCL internals (communicator lifecycle, watchdog, work queue, store-based init). Use as knowledge base for diagnosing why distributed training freezes.

Installation

Installer avec Codex ou Claude Copiez ce prompt, collez-le dans Codex, Claude ou un autre assistant, puis laissez-le vérifier la page du skill et l'installer pour vous.

Explorateur de fichiers
2 fichiers
SKILL.md
readonly