Bekannte Probleme

Auf dieser Seite werden bekannte Probleme beschrieben, die bei der Ausführung von KI-optimierten VMs oder Clustern auftreten können. Informationen zu Problemen mit Compute Engine-VMs finden Sie unter Bekannte Probleme mit Compute Engine.

Probleme

Im folgenden Abschnitt werden bekannte Probleme und Problemumgehungen für AI Hypercomputer aufgeführt.

Unterbrechungen der Arbeitslast auf A4-VMs aufgrund von Firmwareproblemen bei NVIDIA B200-GPUs

NVIDIA hat zwei Firmwareprobleme für B200-GPUs festgestellt, die von A4-VMs verwendet werden. Diese Probleme können zu Unterbrechungen der Arbeitslast führen, z. B. wenn der Befehl nvidia-smi nicht reagiert. Wenn Sie Unterbrechungen der Arbeitslast auf A4-VMs feststellen, prüfen Sie, ob eine der folgenden Bedingungen erfüllt ist:

  • Die Betriebszeit der VM (lastStartTimestamp) beträgt mehr als 65 Tage.
  • In den Logs wird die Fehlermeldung Xid 149 mit dem Hinweis 0x02a angezeigt.

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

Der Metadatenserver zeigt möglicherweise alte physicalHost-VM-Metadaten an

Wenn ein Hostfehler aufgetreten ist oder Sie die API zum Melden eines fehlerhaften Hosts verwendet haben, um eine Compute-Instanz zu einem 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: