既知の問題

このページでは、AI 最適化 VM またはクラスタの実行中に発生する可能性のある既知の問題について説明します。Compute Engine VM の問題については、 Compute Engine の既知の問題をご覧ください。

問題

次のセクションでは、AI Hypercomputer の既知の問題と回避策について説明します。

NVIDIA B200 GPU のファームウェアの問題による A4 VM のワークロードの中断

NVIDIA は、A4 VM で使用される B200 GPU のファームウェアに 2 つの問題を特定しました。これらの問題により、nvidia-smi コマンドが応答しないなど、ワークロードが中断される可能性があります。A4 VM でワークロードの中断が発生した場合は、次のいずれかの条件が満たされていることを確認します。

  • VM の稼働時間（lastStartTimestamp）が 65 日を超えている。
  • ログに 0x02a を含む Xid 149 エラー メッセージが表示されている。

このいずれかの条件を満たしている場合は、A4 VM に接続されている GPU をリセットする必要があります。ファームウェアの問題によるワークロードの中断を回避するには、60 日に 1 回以上 GPU をリセットすることをおすすめします。詳細については、 GPU をリセットするをご覧ください。

メタデータ サーバーに古い physicalHost VM メタデータが表示される

ホストエラーが発生した後、または report faulty host APIを使用してコンピューティング インスタンスを新しいホストに移動した後、 メタデータ サーバーをクエリすると、コンピューティング インスタンスの以前の ホストのphysicalHostメタデータが表示されることがあります。

この問題を回避するには、次のいずれかを行います。