add: research notes on GPU server testing frameworks and tools

Co-authored-by: Sisyphus <clio-agent@sisyphuslabs.ai>

调研.md

@@ -0,0 +1,87 @@
+# H200 训练服务器测试框架调研
+
+## 一、官方/行业标准级框架
+
+### 1. NVIDIA DGXC Benchmarking
+- GitHub: https://github.com/NVIDIA/dgxc-benchmarking
+- NVIDIA 官方 AI 负载基准测试套件
+- 提供 Exemplar Certification（>95% 基线性能认证）
+- 支持 GB300/GB200/B300/B200/H100
+- 内置模型: Grok-1、Llama 3.1 70B/405B、Mixtral、Qwen3
+- `llmb-run exemplar` 一键跑完整测试套件
+- 每 ~2 个月更新 Recipe
+
+### 2. NVIDIA CloudAI Benchmark Framework
+- GitHub: https://github.com/NVIDIA/cloudai
+- 数据中心级 AI 系统自动化基准测试
+- 支持 Slurm / Kubernetes / RunAI 多调度器
+- 内置测试: NCCL、MegatronRun、DeepEP、NeMo v2.0、Triton Inference
+
+### 3. Microsoft SuperBench
+- GitHub: https://github.com/microsoft/superbenchmark
+- 覆盖面最广的一站式 GPU 测试框架
+- 微基准测试矩阵:
+  - GPU Stress: gpu-burn
+  - 内存带宽: nvbandwidth, gpu-stream, mem-bw
+  - 计算吞吐: gemm-flops, matmul, cublaslt-gemm, cudnn-function
+  - 通信带宽: nccl-bw, ib-traffic, gpcnet
+  - 网络连通: tcp-connectivity, ib-loopback
+  - CPU: cpu-stream, cpu-hpl
+  - 推理: ort-inference, tensorrt-inference
+
+### 4. ornn-bench
+- PyPI: `pip install ornn-bench`
+- 标准化 GPU 评分框架，30+ 基准测试
+- 自动计算 Ornn-I (推理分) 和 Ornn-T (训练分)
+- 评分: Ornn-I = 55×(BW/BW_ref) + 45×(FP8/FP8_ref)
+- GPU 等级: Premium / Standard / Below
+- 调用 nvbandwidth + nccl-tests + mamf-finder
+
+## 二、NVIDIA 官方基础工具
+
+| 工具 | 地址 | 用途 |
+|---|---|---|
+| nvbandwidth | github.com/NVIDIA/nvbandwidth | GPU 内存/互连带宽精确测量 (CE/SM 模式) |
+| nccl-tests | github.com/NVIDIA/nccl-tests | NCCL 集合通信性能+正确性测试 |
+| DCGM | 内置 | GPU 健康、温度、功耗、ECC 持续监控 |
+| nvbench | github.com/NVIDIA/nvbench (851★) | CUDA kernel 级微基准 |
+| AITune | NVIDIA 开源 | PyTorch 推理自动基准调优 |
+| ISV-NCP-Validation-Suite | github.com/NVIDIA/ISV-NCP-Validation-Suite | 云平台验证框架 |
+
+## 三、行业参考方法论
+
+### AMD Instinct 客户验收指南
+- https://instinct.docs.amd.com/projects/system-acceptance/en/latest/
+- 六步流程:
+  1. 系统先决条件 — OS/固件/BIOS/GRUB
+  2. 健康检查 — PCIe 可见性、互连健康、主机内存
+  3. 系统验证和基准 — 计算、内存、I/O、功耗
+  4. 网络配置 — NIC 驱动、路由、拓扑映射
+  5. RDMA 基准 — 带宽和延迟
+  6. 集群验证 — 多节点测试
+
+### Midokura GPU Server Verification
+- https://docs.midokura.com/docs/user/GPU_SERVER_VERIFICATION
+- 三步: nvidia-smi + CUDA 检查 → RDMA 验证 → NCCL 正确性
+
+## 四、Google GPU Recipes (H200)
+- GitHub: https://github.com/ai-hypercomputer/gpu-recipes
+- 已有 H200 Recipe: Llama-3.1-70B/405B on A3 Ultra
+- 框架: NeMo / MaxText
+
+## 五、核心工具汇总
+
+### 必选工具
+- nvbandwidth — 内存带宽 (替代 PyTorch copy)
+- nccl-tests — NCCL 通信 (替代 torchrun 封装)
+- gpu-burn — GPU 压力/稳定性测试
+
+### 可选工具
+- DCGM — 持续健康监控
+- ib_write_bw / ib_read_bw — RDMA 带宽
+- CUDA Samples (bandwidthTest, p2pBandwidthLatencyTest)
+
+### 参考框架
+- SuperBench — 最全面的一站式测试
+- DGXC Benchmarking — 官方验收标准
+- ornn-bench — 标准化评分