spark-training-gotchas

SUMMARY

它能做什么

该技能为在 NVIDIA DGX Spark（GB10 芯片，SM121，128GB 统一内存，aarch64）上运行 ML 训练时可能遇到的十种已知故障模式（G1-G10）提供预检和诊断指导。涵盖的问题包括 CUDA ABI 不匹配、flash-attention、UMA OOM、热节流、带宽上限、全局 UMA 资源争用、NVFP4 与 FP8 性能、过时的官方剧本、容器与裸 pip 环境，以及双 Spark 并行（仅 DDP/FSDP，不支持张量并行）。技能包含快速参考表、每个陷阱的详细描述（症状、原因、检查、修复）以及快速分类部分和命令。它引用了其他文件（references/gotcha-checks.md、assets/preflight.sh）以进行详细检查。该技能旨在 DGX Spark 训练运行期间或之前使用，以避免或诊断常见问题。