han.zhao/test_gpu_scripts
1
0
Fork 0
Code Issues Pull Requests 2 Actions Packages Projects Releases Wiki Activity
test_gpu_scripts/reports_h100_acceptance_current_status_20260523.md

8.6 KiB
Raw Blame History

H100 验收当前状态总览 2026-05-23

一句话结论

当前脚本能力和证据链已经基本补齐：单节点 test all、多机多卡 PDF matrix、2x8 六项 collective、跨节点 RDMA、NCCL artifacts、环境快照和 checksum 都已经有可复跑入口和原始证据。但按当前 PDF/配置口径，两台 H100 节点仍不能判定生产验收通过，主要阻塞不是脚本没跑，而是多项实测指标低于阈值，以及当前硬件/软件环境无法证明与 PDF 参考环境等价。

当前总状态

范围 当前证据 结论 主要阻塞
单节点 test all reports_test_all_latest_summary_cn_20260523.md 两台均 FAIL Compute、NCCL、Stress、RDMA
跨节点 RDMA reports_rdma_cross_node_mlx5_0_20260523.md FAIL read BW、write/read latency 未达阈值
多机多卡 PDF matrix reports_multinode_nccl_pdf_matrix_run_20260523.md FAIL 2x8 allreduce/alltoall 差距大，1/4 GPU 档位部分小差距
多机多卡 2x8 六项 collective reports_multinode_nccl_all_collectives_run_20260523.md FAIL / evidence complete 6 项正确性通过；allreduce/alltoall 按 PDF 阈值 FAIL
NCCL artifacts 信号 reports_multinode_nccl_artifact_signal_analysis_20260523.md 基础链路正常 IB/GDRDMA/HCA 均正常；无 SHARP/CollNet/外部 net plugin
环境等价性 reports_multinode_nccl_environment_gap_20260523.md 未证明等价 每节点只有 4 条 400G rail，缺 NCCL net plugin / SHARP
收尾检查 reports_h100_acceptance_closure_checklist_20260523.md 可阶段性交付 生产验收门禁仍未关闭
网络/硬件/环境闭环 reports_h100_network_hardware_escalation_request_20260523.md 已形成请求 等待 rail/plugin/SHARP/交换策略/阈值口径回填

已完成的能力

能力 当前状态
单节点 H100 all 验收入口 scripts/run_h100_single_node_all.sh 已可用，默认带环境快照
多机 PDF matrix 入口 scripts/run_multinode_nccl_pdf_matrix.sh 已可用，自动归档每个 case 的 cmd/stdout/stderr/json
多机 2x8 六项 collective 入口 scripts/run_multinode_nccl_all_collectives.sh 已可用，覆盖 allreduce/alltoall/broadcast/reducescatter/allgather/sendrecv
NCCL 深度诊断入口 scripts/multinode_nccl_deep_diagnose.sh 已可用，覆盖 preflight、counter、graph、PXN sweep
环境等价性快照 scripts/nccl_environment_snapshot.sh 已可用
原始证据归档 PDF matrix 和六项 collective artifacts 均已 tar + checksum
中文解释文档 指标说明、NCCL/RDMA 概念、handoff、environment gap、artifact signal analysis 均已生成

单节点验收状态

两台机器的单节点 test all 当前都是：

Suite: 6/10 PASS
PDF acceptance: FAIL

通过项：

  • GPU Info
  • Health
  • Memory Bandwidth
  • NVLink/NVSwitch
  • DCGM diag -r 3
  • Training Simulation

失败项：

项目 当前现象 备注
Compute 多 dtype 绝对 TFLOPS 阈值未达，部分 GPU 间 spread 超 3% 需要复核 H100 阈值口径和具体 dtype 路径
NCCL 单机 真实 nccl-tests 已可测，但多 op/size 未达阈值 主要是 1M 小包，以及 reducescatter/allgather 的 2G
Stress 30 分钟可跑满，但温差和 sw_power_cap throttle 导致 FAIL 更像散热/功耗策略或阈值口径问题
RDMA 单机 read BW 未达标，部分端口速率低于 400G 单机 local-loopback 不能替代跨节点 RDMA

跨节点 RDMA 状态

跨节点 mlx5_0 单 rail perftest 结果：

Direction Test Value Threshold Status
0016 -> 0012 ib_write_bw 49.35 GB/s >= 47 GB/s PASS
0016 -> 0012 ib_read_bw 44.36 GB/s >= 47 GB/s FAIL
0016 -> 0012 ib_write_lat avg 2.17 us <= 2.0 us FAIL
0016 -> 0012 ib_read_lat avg 4.05 us <= 3.5 us FAIL
0012 -> 0016 ib_write_bw 48.38 GB/s >= 47 GB/s PASS
0012 -> 0016 ib_read_bw 44.37 GB/s >= 47 GB/s FAIL
0012 -> 0016 ib_write_lat avg 2.13 us <= 2.0 us FAIL
0012 -> 0016 ib_read_lat avg 4.08 us <= 3.5 us FAIL

判断：链路连通、ibping 正常、PFC/ECN/CNP/congestion counter 干净；但 read bandwidth 和 latency 仍低于阈值，需要网络/OFED/BIOS/firmware 或 perftest 参数侧继续确认。

多机多卡 NCCL 状态

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 case 均 returncode=0、wrong=0，所以 FAIL 来自性能阈值，不是功能错误。

2x8 六项 Collective 补测

Operation Peak Bus BW Threshold Correctness Network Status
allreduce 354.27 >= 491.84 wrong=0 IB/GDRDMA FAIL
alltoall 37.00 >= 76.54 wrong=0 IB/GDRDMA FAIL
broadcast 191.65 未配置 wrong=0 IB/GDRDMA PASS evidence
reducescatter 192.75 未配置 wrong=0 IB/GDRDMA PASS evidence
allgather 192.14 未配置 wrong=0 IB/GDRDMA PASS evidence
sendrecv 26.98 未配置 wrong=0 IB/GDRDMA PASS evidence

这说明多机多卡 collective 覆盖面已经补齐，但生产性能是否达标仍取决于 PDF 是否有对应跨节点阈值，以及当前环境是否与 PDF 等价。

当前最关键阻塞

1. PDF 参考环境等价性未确认

当前两台节点每节点只有 4 条可用于 NCCL 的 400G IB rail：

mlx5_0, mlx5_1, mlx5_6, mlx5_7

其他 HCA：

mlx5_4, mlx5_5: 100G InfiniBand
mlx5_2, mlx5_8: 25G Ethernet
mlx5_3, mlx5_9: DOWN

PDF 2x8 allreduce 目标 491.84 GB/s busbw 反推 algbw 为 262.31 GB/s，高于当前 4 x 400G rail 的理论单向原始带宽 200 GB/s。如果 PDF 参考环境有更多 400G rail 或 SHARP/plugin，当前硬件/软件栈不等价。

2. 缺少 NCCL net plugin / SHARP

当前没有发现：

libnccl-net*.so*
libsharp*.so*
SHARP / HCOLL package

NCCL 日志中没有 SHARP/CollNet 迹象，当前走 internal IB plugin。

3. alltoall 仍是独立问题

NCCL_PXN_DISABLE=1 后 alltoall rail 更均衡，但 2x8 仍只有约 36-37 GB/s。已有 sweep 没找到稳定正收益，下一步应该交给网络路径、ECMP/adaptive routing、拥塞控制、plugin/SHARP 等方向，而不是继续盲调 NCCL 小参数。

4. 单节点 Compute/Stress/RDMA 也未过

即使多机 NCCL 后续解决，两台机器按当前 PDF test all 仍因 Compute、Stress、RDMA 项失败，不能直接判整机生产验收通过。

建议下一步

  1. 硬件/网络侧先确认 PDF 等价性。 确认参考环境每节点到底是 4 条还是 8 条 400G rail，是否启用 SHARP/NCCL net plugin，交换网络是否同一策略。
  2. 环境侧补齐或明确排除 SHARP/plugin。 如果 PDF 环境有，当前必须补齐后重跑 scripts/run_multinode_nccl_pdf_matrix.sh 和 scripts/run_multinode_nccl_all_collectives.sh。
  3. 网络侧排查 alltoall。 重点看跨 Leaf ECMP/adaptive routing/拥塞控制/credit wait，而不是只看链路是否 up。
  4. 单节点继续分项收敛。 Compute 阈值、Stress 温差/功耗 cap、RDMA read/latency 需要分别确认是机器问题、配置问题还是阈值口径问题。
  5. 如果硬件不等价，调整验收阈值或换等价节点复测。 当前证据不支持把 4 rail 环境直接按疑似更高规格 PDF 阈值判定。

当前最值得先读的文件

顺序 文件 用途
1 reports_h100_acceptance_current_status_20260523.md 当前总览和阻塞清单
2 reports_h100_acceptance_closure_checklist_20260523.md 收尾检查清单和关闭条件
3 reports_h100_network_hardware_escalation_request_20260523.md 给网络/硬件/环境侧的闭环请求
4 reports_multinode_nccl_handoff_plan_20260523.md 给网络/硬件/环境侧的交接计划
5 reports_multinode_nccl_environment_gap_20260523.md PDF 环境等价性缺口
6 reports_multinode_nccl_artifact_signal_analysis_20260523.md NCCL artifacts 信号分析
7 reports_multinode_nccl_all_collectives_run_20260523.md 多机 2x8 六项 collective 补测摘要
8 reports_test_all_latest_summary_cn_20260523.md 单节点 test all 中文汇总
9 reports_rdma_cross_node_mlx5_0_20260523.md 跨节点 RDMA 单 rail 证据