Add H100 acceptance PR summary

2026-05-23 20:37:19 +08:00 · 2026-05-23 20:37:19 +08:00 · 211140e7f1
commit 211140e7f1
parent 9b0e6e29df
3 changed files with 156 additions and 8 deletions
--- a/README.md
+++ b/README.md
@ -15,11 +15,12 @@
 | 1 | [reports_h100_acceptance_current_status_20260523.md](reports_h100_acceptance_current_status_20260523.md) | 当前总状态：已测项、失败项、阻塞项、下一步 |
 | 2 | [reports_h100_acceptance_closure_checklist_20260523.md](reports_h100_acceptance_closure_checklist_20260523.md) | 收尾检查清单：可交付项、未关闭门禁、最短收尾路径 |
 | 3 | [reports_h100_acceptance_delivery_manifest_20260523.md](reports_h100_acceptance_delivery_manifest_20260523.md) | 交付包 manifest：入口、脚本、远端 artifacts、checksum |
-| 4 | [reports_h100_network_hardware_escalation_request_20260523.md](reports_h100_network_hardware_escalation_request_20260523.md) | 给网络/硬件/环境侧的闭环请求和回填表 |
-| 5 | [reports_multinode_nccl_latest_index_20260523.md](reports_multinode_nccl_latest_index_20260523.md) | 多节点 NCCL 相关报告索引 |
-| 6 | [reports_multinode_nccl_handoff_plan_20260523.md](reports_multinode_nccl_handoff_plan_20260523.md) | 接手人复跑和继续定位计划 |
-| 7 | [reports_test_all_latest_summary_cn_20260523.md](reports_test_all_latest_summary_cn_20260523.md) | 单节点 `test all` 中文原始汇总 |
-| 8 | [reports_rdma_cross_node_mlx5_0_20260523.md](reports_rdma_cross_node_mlx5_0_20260523.md) | 跨节点 RDMA `mlx5_0` 双向结果 |
+| 4 | [reports_h100_acceptance_pr_summary_20260523.md](reports_h100_acceptance_pr_summary_20260523.md) | PR/审阅摘要：变更范围、验证、风险、合并说明 |
+| 5 | [reports_h100_network_hardware_escalation_request_20260523.md](reports_h100_network_hardware_escalation_request_20260523.md) | 给网络/硬件/环境侧的闭环请求和回填表 |
+| 6 | [reports_multinode_nccl_latest_index_20260523.md](reports_multinode_nccl_latest_index_20260523.md) | 多节点 NCCL 相关报告索引 |
+| 7 | [reports_multinode_nccl_handoff_plan_20260523.md](reports_multinode_nccl_handoff_plan_20260523.md) | 接手人复跑和继续定位计划 |
+| 8 | [reports_test_all_latest_summary_cn_20260523.md](reports_test_all_latest_summary_cn_20260523.md) | 单节点 `test all` 中文原始汇总 |
+| 9 | [reports_rdma_cross_node_mlx5_0_20260523.md](reports_rdma_cross_node_mlx5_0_20260523.md) | 跨节点 RDMA `mlx5_0` 双向结果 |

 当前主要阻塞：

--- a/reports_h100_acceptance_delivery_manifest_20260523.md
+++ b/reports_h100_acceptance_delivery_manifest_20260523.md
@ -19,8 +19,9 @@
 | 1 | `README.md` | 仓库入口和 H100 当前验收入口 |
 | 2 | `reports_h100_acceptance_current_status_20260523.md` | 当前总状态和阻塞项 |
 | 3 | `reports_h100_acceptance_closure_checklist_20260523.md` | 可交付项、未关闭门禁、收尾路径 |
-| 4 | `reports_h100_network_hardware_escalation_request_20260523.md` | 给网络/硬件/环境侧的回填请求 |
-| 5 | `reports_multinode_nccl_latest_index_20260523.md` | 多节点 NCCL 报告索引 |
+| 4 | `reports_h100_acceptance_pr_summary_20260523.md` | PR/审阅摘要 |
+| 5 | `reports_h100_network_hardware_escalation_request_20260523.md` | 给网络/硬件/环境侧的回填请求 |
+| 6 | `reports_multinode_nccl_latest_index_20260523.md` | 多节点 NCCL 报告索引 |

 ## 核心报告

@ -28,6 +29,7 @@
 |---|---|---|
 | 总览 | `reports_h100_acceptance_current_status_20260523.md` | FAIL，证据链完整但门禁未过 |
 | 收尾 | `reports_h100_acceptance_closure_checklist_20260523.md` | 可阶段性交付，不能判生产通过 |
+| PR 摘要 | `reports_h100_acceptance_pr_summary_20260523.md` | 给代码审阅和合并说明使用 |
 | 闭环请求 | `reports_h100_network_hardware_escalation_request_20260523.md` | 等待网络/硬件/环境侧回填 |
 | 单节点 | `reports_test_all_latest_summary_cn_20260523.md` | 两台均 `6/10 PASS`，整体 FAIL |
 | 跨节点 RDMA | `reports_rdma_cross_node_mlx5_0_20260523.md` | write BW PASS，read BW/latency FAIL |
@ -113,9 +115,10 @@ fa5961d47a5905da6ebc6c726421d73ddc2314a316a8f578683d31fe69c256e5  reports/multin
 以下 hash 用于确认本地与两台远端入口文件一致。本 manifest 本身不做自引用 hash。

 ```text
-bf3fd8197285dca964b78c584ee6263b0d0f4d47fbf689d121367666d3398231  README.md
+e2faf6cbd968924727c669827d7e838d5165ee961133c8e55e8993134b5e7b63  README.md
 846c3da4ac655a0b3ad072e4c4475d91b55e2bdc9d8aedb9c5f9d800608fb64c  reports_h100_acceptance_current_status_20260523.md
 4a0ee9f456acc1284bf3a42df5bd338affb831471c27ca4b6584201acd72fd52  reports_h100_acceptance_closure_checklist_20260523.md
+0c71f36b9b1a6c5a73bd32337a56a702d3faa37c02640b93cb5d00b9b80c362f  reports_h100_acceptance_pr_summary_20260523.md
 45438db9204ceef5f65019a6594c016f3183799ed3b89dcf40f383a34f9e3466  reports_h100_network_hardware_escalation_request_20260523.md
 d982d6f3698e8860b8505d65105f6056c11f1f72758401a4613ae8315b6f92d0  reports_multinode_nccl_latest_index_20260523.md
 8fca70e703961745d5bdacaa3fccb814709c426c0fa7713d0df2d1f2fb26a3f4  reports_multinode_nccl_handoff_plan_20260523.md
--- a/reports_h100_acceptance_pr_summary_20260523.md
+++ b/reports_h100_acceptance_pr_summary_20260523.md
@ -0,0 +1,144 @@
+# H100 验收分支 PR 摘要 2026-05-23
+
+## 建议 PR 标题
+
+```text
+Add H100 acceptance evidence, multinode NCCL runs, and handoff reports
+```
+
+## PR 结论
+
+本 PR 完成 H100 验收测试侧的阶段性交付：脚本、单节点报告、多节点 NCCL 报告、RDMA 证据、artifacts、checksum、中文说明和交接文档已经齐备。
+
+但本 PR **不表示生产验收通过**。当前两台 H100 节点按现有 PDF/配置口径仍为 `FAIL`，需要网络/硬件/环境侧完成回填或修复后再复跑。
+
+## 变更范围
+
+### 测试入口
+
+- 新增/完善单节点 H100 `test all` 入口。
+- 新增多节点 NCCL PDF matrix 复跑入口。
+- 新增多节点 2x8 六项 collective 复跑入口。
+- 新增 NCCL 深度诊断和环境快照入口。
+
+### 配置
+
+- 固定 NCCL 2.27.7 / nccl-tests 路径的多节点 PDF matrix 配置。
+- 新增 2x8 六项 collective 配置。
+- `allreduce/alltoall` 保留已知 PDF 2x8 阈值；新增的 `broadcast/reducescatter/allgather/sendrecv` 暂按证据采集处理。
+
+### 报告和证据
+
+- 单节点 `test all` 中文汇总。
+- 跨节点 RDMA `mlx5_0` 双向证据。
+- 多节点 NCCL PDF matrix 中文摘要、原始报告、artifacts manifest。
+- 多节点 2x8 六项 collective 中文摘要、原始报告、artifacts manifest。
+- NCCL artifact 信号分析、环境等价性分析、handoff 计划、收尾清单。
+- 网络/硬件/环境侧闭环请求和交付包 manifest。
+
+## 当前验收状态
+
+| 范围 | 结论 | 说明 |
+|---|---|---|
+| 单节点 `test all` | FAIL | 两台均 `6/10 PASS`；Compute、NCCL、Stress、RDMA 未过 |
+| 跨节点 RDMA | FAIL | write BW PASS；read BW 和 latency 未达阈值 |
+| 多节点 NCCL PDF matrix | FAIL | 8 个 case 仅 2x2 allreduce 性能 PASS；所有 case 正确性 OK |
+| 多节点 2x8 六项 collective | FAIL / evidence complete | 6 项正确性 OK；allreduce/alltoall 按 PDF 阈值 FAIL |
+| 环境等价性 | 未证明 | 当前每节点只有 4 条 400G rail，缺外部 NCCL net plugin / SHARP 证据 |
+
+## 关键结果
+
+### 单节点
+
+```text
+aikubeworker0012: 6/10 PASS, PDF acceptance FAIL
+aikubeworker0016: 6/10 PASS, PDF acceptance FAIL
+```
+
+### 跨节点 RDMA
+
+```text
+ib_write_bw: 48.38-49.35 GB/s, PASS
+ib_read_bw: 44.36-44.37 GB/s, FAIL
+ib_write_lat avg: 2.13-2.17 us, FAIL
+ib_read_lat avg: 4.05-4.08 us, FAIL
+```
+
+### 多节点 NCCL PDF matrix
+
+| Topology | AllReduce | Target | Status | AllToAll | Target | Status |
+|---|---:|---:|---|---:|---:|---|
+| 2 nodes x 1 GPU | 47.29 | 48.90 | FAIL | 24.85 | 27.25 | FAIL |
+| 2 nodes x 2 GPUs | 137.16 | 136.93 | PASS | 47.76 | 54.41 | FAIL |
+| 2 nodes x 4 GPUs | 335.07 | 335.48 | FAIL | 72.74 | 73.73 | FAIL |
+| 2 nodes x 8 GPUs | 353.85 | 491.84 | FAIL | 36.83 | 76.54 | FAIL |
+
+所有 NCCL case 均 `returncode=0`、`wrong=0`，当前失败来自性能阈值，不是功能错误。
+
+## 主要风险
+
+1. **不能把本 PR 合并理解为验收通过。**
+   当前结果明确是 `FAIL`，本 PR 交付的是证据链和复跑能力。
+
+2. **PDF 2x8 allreduce 阈值可能要求比当前环境更强的 rail/plugin 能力。**
+   当前每节点仅 4 条 400G IB rail；PDF 2x8 allreduce 目标 `491.84 GB/s busbw` 反推 algbw `262.31 GB/s`，高于 4 x 400G rail 的理论单向原始带宽 `200 GB/s`。
+
+3. **alltoall 需要网络侧继续定位。**
+   `NCCL_PXN_DISABLE=1` 后 rail 更均衡，但 2x8 alltoall 仍只有 `36-37 GB/s`。
+
+4. **单节点门禁也仍未过。**
+   即使多节点 NCCL 后续解决，Compute、Stress、RDMA 单节点项仍需闭环。
+
+## 验证方式
+
+已完成：
+
+- `git diff --check`
+- 本地与两台远端入口文件 sha256 核对
+- 多节点 NCCL PDF matrix 复跑并归档 artifacts
+- 多节点 2x8 六项 collective 复跑并归档 artifacts
+- 跨节点 RDMA 单 rail 双向测试
+- 单节点 `test all` 汇总
+
+远端同步路径：
+
+```text
+nccl-gpu-1: /root/test_gpu_scripts
+nccl-gpu-2: /root/test_gpu_scripts
+```
+
+## 复跑命令
+
+```bash
+cd /root/test_gpu_scripts
+bash scripts/multinode_nccl_deep_diagnose.sh preflight
+bash scripts/run_multinode_nccl_pdf_matrix.sh
+bash scripts/run_multinode_nccl_all_collectives.sh
+```
+
+单节点复跑：
+
+```bash
+cd /root/test_gpu_scripts
+bash scripts/run_h100_single_node_all.sh
+```
+
+## Reviewer 重点看
+
+| 文件 | 为什么要看 |
+|---|---|
+| `reports_h100_acceptance_current_status_20260523.md` | 当前总览和失败项 |
+| `reports_h100_acceptance_delivery_manifest_20260523.md` | 交付包入口、远端 artifacts、checksum |
+| `reports_h100_network_hardware_escalation_request_20260523.md` | 需要网络/硬件/环境侧回填的问题 |
+| `reports_multinode_nccl_environment_gap_20260523.md` | 为什么当前环境不能证明与 PDF 等价 |
+| `reports_multinode_nccl_pdf_matrix_run_20260523.md` | 多节点 PDF matrix 结果 |
+| `reports_multinode_nccl_all_collectives_run_20260523.md` | 六项 collective 补测结果 |
+
+## 合并建议
+
+可以合并为测试侧交付分支，但合并说明中必须保留：
+
+```text
+当前 H100 生产验收未通过；本分支交付测试证据、复跑脚本和闭环请求。
+最终验收需等待网络/硬件/环境侧确认或修复后复跑。
+```