GF-Bench：分布式GPU故障检测基准发布

研究者推出基于 PyTorch 的 GF-Bench 框架与数据集，用于在分布式 GPU 负载中生成多样化故障并检测。当前版本提供 220 条带标注的双 GPU 执行记录，覆盖正常运行、CUDA out-of-memory fail-stop 和持续性 straggler fail-slow 三类。 该工作由 Boyuan Cui 等作者发布，核心主张是仅靠日志解析会丢失关键信息，因此需要专门的故障生成与检测基准。现有记录规模有限，仅涉及双 GPU 场景，能否推广到更大规模集群尚不明确。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。