概述

本文档介绍百舸智能助手对训练失败任务的智能诊断能力。百舸智能助手是百舸 AI 计算团队提供的基于大模型的助手功能，当前支持在训练任务失败场景中分析可能原因，并给出处理建议。

更多能力正在加速集成中...

失败任务故障排查

基于百舸训练可观测体系的监控指标，结合百舸在大模型领域积累的专家知识经验，通过大语言模型的分析推理能力，进行任务失败问题的根因定位，提供了更智能的产品使用体验。

您可以在任务列表页面针对失败的任务，通过点击 【智能诊断】，唤起百舸智能助手，快速诊断分析任务失败的可能原因。

前提条件

• 首次使用百舸智能助手时，需要完成服务授权操作，允许百舸助手访问资源池内节点的系统日志以及任务元数据、事件等相关数据。

使用限制

• 仅支持失败任务的诊断。
• 仅支持 PyTorch 框架的任务。

操作步骤

以下是在百舸控制台进行训练任务异常诊断的步骤：

1. 登录 百舸AI计算平台AIHC控制台。
2. 进入 分布式训练 列表页面，选择希望诊断的失败任务。
3. 在任务状态栏下，点击 智能诊断 后，唤起百舸智能助手 快速发起诊断。输出关键的错误片段、可能的问题原因以及解决方案。

4. 诊断完成后，您可以对诊断效果进行评价。若没有解决问题，您也可以直接在诊断页面快速发起工单获取进一步的支持。