产品描述

产品介绍

MindIO临终遗言功能，主要针对大模型训练过程中故障恢复加速，临终遗言特性通过在训练过程中发生故障后，校验中间状态数据的完整性和一致性，生成一次临时CheckPoint数据，恢复训练时能够通过该CheckPoint数据恢复，减少故障造成的训练迭代损失。

产品价值

LLM（Large Language Model）是全球当前科技界竞争的焦点，LLM模型的训练往往需要长达数十天、甚至数月，CheckPoint是模型训练中断后恢复训练的关键点，CheckPoint过程中，整个集群中的训练任务会停滞，为了集群的利用率，CheckPoint的周期都配置的比较长，甚至达到数小时。这导致如果训练任务在即将生成CheckPoint数据的前一刻发生故障，未能生成本次CheckPoint数据，则只能从上一次的CheckPoint数据恢复，上次CheckPoint到故障前一刻的训练迭代需要重新计算，损失较大。通过临终遗言特性，在故障发生后，立即生成一次CheckPoint数据，恢复时也能立即恢复到故障前一刻的状态，减少迭代损失。

MindIO TTP架构

MindIO TTP（Try To Persist）临终CheckPoint保存的关键点：

• MindIO TTP的功能以whl包的形式提供，通过import模块的方式提供TTP特性功能。
• 修改Megatron等大模型框架适配TTP，通过TTP的Controller和Processor模块，检测模型训练状态、NPU硬件状态，通过心跳定期汇报至Controller模块，一旦检测到故障，就开始临终CheckPoint保存。
• 大模型训练中业界定期保存CheckPoint的间隔大、时间长，一旦故障时离上一次保存时间过长但还没到下一次保存时间，重新训练会消耗大量时间和资源。TTP提供了几乎零损时间和资源损失的重新训练方案，重新训练从上一次故障处开启。