NVIDIA presentó el 2 de noviembre de 2026 NVIDIA Attribution, un sistema de código abierto que intenta responder a una pregunta incómoda en el entrenamiento distribuido de IA: cuando todo falla a la vez, ¿dónde empezó realmente el fallo? En cargas distribuidas, un evento en una GPU o en la red puede aparecer como errores NCCL en otros nodos, y la excepción mostrada indica dónde se detuvo la carga, no dónde empezó.
Attribution correlaciona registros, métricas, telemetría y estado del programador dentro del alcance de una carga de trabajo y devuelve un diagnóstico estructurado: resultado, causa raíz, nodos afectados, síntomas de apoyo y rastro de evidencias. Sus reglas son deterministas, lo que, según NVIDIA, hace los resultados reproducibles y personalizables.
La arquitectura tiene dos componentes: Attribution Service, que analiza un intento de carga a la vez mediante una API REST, y Attribution Blueprint, un orquestador en Python que conecta programadores y fuentes de telemetría, reúne el contexto de la carga y registra el resultado. Blueprint incluye conectores para Slurm, Kueue, Loki, archivos locales, registros de pods de Kubernetes y métricas PromQL.
En el ejemplo sintético presentado por la empresa, aparecen tres errores NCCL distintos en los registros de la aplicación, pero los registros del sistema del nodo 02 contienen un XID 149 con palabras de error que apuntan a un problema de integridad de señal NVLink. El sistema mantiene los errores NCCL como síntomas y señala el evento del nodo 02 como causa raíz, clasificando el fallo como de hardware. Cuando varias causas encajan con las evidencias, el campo de subdominio queda como ambiguo y, sin evidencia suficiente, el resultado puede salir sin atribución en lugar de forzar un diagnóstico.
Según NVIDIA, el sistema se usa desde hace años en su infraestructura de IA y analiza millones de cargas por semana en cientos de miles de GPUs. Para los equipos que operan clústeres, el valor práctico no es solo el diagnóstico: es poder registrar el mismo patrón de fallo una vez y aplicarlo a varias cargas y clústeres, en lugar de buscar el mismo error manualmente tras cada interrupción.
Crédito da imagem: NVIDIA Developer Blog.
Fontes: NVIDIA Developer Blog — Diagnose Distributed AI Workload Failures with NVIDIA Attribution; Blockchain.News — NVIDIA details Attribution tool.
Transparencia: este artículo se produjo con ayuda de inteligencia artificial, cruzando publicaciones públicas y fuentes de internet. Consulta las fuentes originales para confirmar los detalles.
Muse
