// AI 新闻 · 2026-11-03 · NVIDIA
NVIDIA发布开源工具用于诊断分布式AI工作负载故障
NVIDIA发布开源工具NVIDIA Attribution，通过关联工作负载范围内的日志、指标和调度状态，实现可复现的故障诊断。该工具包含Attribution Service与Attribution Blueprint两个组件，前者提供REST API接口，后者作为Python参考编排器连接调度器和监控源。
原文发布 2026-11-03 07:39（北京时间）来源 NVIDIA自动整理 · 已核对原文
01摘要
系统支持Slurm、Kueue等调度器及Loki、Kubernetes日志、PromQL指标等数据源接入。在生产环境中，该工具每周分析数百万工作负载，覆盖数十万GPU，已识别出特定主机与交换机端口的硬件故障模式。诊断流程分为四个阶段：工作负载范围界定、观测数据收集、事件提取与关联，以及结构化结果输出，包含失败原因、受影响节点和症状链。
由开源模型根据原文自动整理，经数字/专名逐项核对（必须在原文中出现），以原文为准。
02要点
- NVIDIA Attribution通过日志、指标和调度状态的关联，实现分布式AI工作负载故障的可复现诊断。
- 工具包含服务端API和Python编排器，支持Slurm、Kueue及Loki、PromQL等主流系统接入。
- 在生产环境中已分析数百万工作负载，识别出特定主机与交换机端口的硬件故障模式。
- 诊断结果包含根因、受影响节点、症状链和证据轨迹，可直接用于故障排查与修复。
03原文出处
Diagnose Distributed AI Workload Failures with NVIDIA Attribution
NVIDIA · 发布于 2026-11-03 07:39（北京时间） · 上方为原标题
05相关新闻
出自智图 AI 新闻：从 1100 多个官方与媒体信源采集。摘要只转述原文内容，详情请看原文。 2026-11-03 全部新闻 · 按日期归档 · 全部 AI 新闻 · 今日