Herramientas gratuitas de diagnóstico para clusters GPU
Analizadores locales, referencias de errores y calculadoras sin cuenta ni envío de registros. Cada herramienta distingue hechos verificados de evidencia pendiente.
¿Usas NVIDIA Compute Sanitizer? Guía mínima de reproducción CUDA y memcheck explica los comandos adecuados dentro de tu entorno aislado.
- Diagnóstico en navegador sin subir archivos
Analizador de logs GPU sin conexión
Analiza registros pesados de PyTorch, NCCL, vLLM y Slurm localmente en tu navegador.
Abrir Analizador de logs GPU sin conexión - Combinaciones válidas de driver, CUDA y FlashAttention
Compatibilidad CUDA, Driver y PyTorch
Encuentra versiones compatibles y comandos exactos de pip, uv y Docker sin fallos de ABI.
Abrir Compatibilidad CUDA, Driver y PyTorch - Hardware, software o recopilación de evidencia
Decodificador de códigos NVIDIA Xid
Interpreta NVRM Xid 79, 74 y 48 y preserva UUID y dmesg antes de reiniciar el nodo.
Abrir Decodificador de códigos NVIDIA Xid - Encuentra la causa previa al último timeout
Decodificador de logs NCCL
Clasifica errores CUDA, bootstrap, transporte RDMA y watchdog entre todos los rangos.
Abrir Decodificador de logs NCCL - Convierte salidas GPU en evidencia clara
Parser de informes nvidia-smi
Extrae memoria, temperatura, energía, contadores ECC y Row Remapper en local.
Abrir Parser de informes nvidia-smi - Distingue fragmentación de falta real de memoria
Triage PyTorch CUDA OOM
Inspecciona memoria reservada frente a asignada y ajusta PYTORCH_CUDA_ALLOC_CONF.
Abrir Triage PyTorch CUDA OOM - Aísla accesos ilegales y condiciones de carrera
Guía Compute Sanitizer y Memcheck
Recetas mínimas con memcheck, racecheck y synccheck antes de bloqueos colectivos.
Abrir Guía Compute Sanitizer y Memcheck - Tiempo de preentrenamiento, MFU y coste en cluster
Calculadora de entrenamiento LLM y MFU
Calcula FLOPs, utilización MFU y rendimiento en clusters H100, H200 y B200.
Abrir Calculadora de entrenamiento LLM y MFU - Pesos, caché KV GQA/MLA y paralelismo tensorial
Calculadora VRAM LLM (Español)
Calcula requisitos FP16, FP8 e INT4 para DeepSeek, Llama, Qwen y Gemma en A100, H100, H200 y RTX 5090.
Abrir Calculadora VRAM LLM (Español) - Actor FSDP, política de referencia y rollout vLLM
Calculadora VRAM GRPO y RL
Dimensiona memoria HBM para post-entrenamiento GRPO, DAPO y PPO con vLLM colocalizado.
Abrir Calculadora VRAM GRPO y RL - Latencia por token y concurrencia máxima
Calculadora de inferencia y caché KV
Estima capacidad de caché KV, prefill y límite de usuarios simultáneos en producción.
Abrir Calculadora de inferencia y caché KV - Resuelve interfaces NCCL e índices GID
Calculadora GID RoCEv2 e InfiniBand
Verifica tablas GID, parámetros RoCEv2 y requisitos de búfer entre nodos GPU.
Abrir Calculadora GID RoCEv2 e InfiniBand - Memoria particionada en etapas ZeRO 1, 2 y 3
Calculadora DeepSpeed ZeRO y LoRA
Calcula consumo de parámetros, gradientes y optimizador en entrenamiento distribuido.
Abrir Calculadora DeepSpeed ZeRO y LoRA - Manifiestos K8s válidos y control de /dev/shm
Generador de manifests GPU Kubernetes
Configura recursos GPU, tolerations y volúmenes de memoria compartida sin errores.
Abrir Generador de manifests GPU Kubernetes - Interpreta errores de salud y bus PCIe
Decodificador DCGM y PCIe AER
Detecta degradación física, reentrenamiento de enlace PCIe y límites térmicos.
Abrir Decodificador DCGM y PCIe AER - Impacto financiero y horas de ingeniería perdidas
Calculadora de coste por caída GPU
Modela horas paradas e impacto mensual de bloqueos en clusters de entrenamiento.
Abrir Calculadora de coste por caída GPU - Scripts sbatch listos para FSDP y Megatron
Generador sbatch Slurm multi-nodo
Genera scripts con afinidad CPU, GPUs por nodo y banderas NCCL recomendadas.
Abrir Generador sbatch Slurm multi-nodo - Detecta errores de red antes del paso 0
Linter de topología NCCL
Revisa nvidia-smi topo -m, afinidad NIC-GPU, ACS y límites de memlock.
Abrir Linter de topología NCCL - Encuentra qué cambió desde el último run sano
Comparador Diff entre ejecuciones
Compara versiones de driver, CUDA, NCCL, PyTorch, pip y variables de entorno.
Abrir Comparador Diff entre ejecuciones - Variables de red justificadas según topología
Generador de entorno NCCL
Emite variables NCCL y PyTorch listas para revisión técnica sin ensayo y error.
Abrir Generador de entorno NCCL - Máximo rendimiento en InfiniBand, RoCEv2 y EFA
Guía de ajuste NCCL
Ajusta NCCL_NET_GDR_LEVEL, buffers y algoritmos tree/ring en comunicación colectiva.
Abrir Guía de ajuste NCCL - Patrones de fallo reales en H100, A100 y H200
Índice de fiabilidad GPU
Comparativa de modos de fallo frecuentes para planificación de infraestructura.
Abrir Índice de fiabilidad GPU - Evita caídas SIGBUS en workers PyTorch
Calculadora /dev/shm DataLoader
Dimensiona /dev/shm y genera flags --shm-size para Docker y Kubernetes.
Abrir Calculadora /dev/shm DataLoader - Repara conflictos CDI y nvidia-container-cli
Solución Container Toolkit y Driver
Resuelve errores de capacidades del controlador al iniciar contenedores GPU.
Abrir Solución Container Toolkit y Driver - Corrige libcudart.so y cuantización 4/8 bits
Solución CUDA en bitsandbytes
Soluciona fallos de carga y capacidad de cómputo cuando CUDA ya está visible.
Abrir Solución CUDA en bitsandbytes - Alinea tensores entre CPU y múltiples GPUs
Solución Index Device Mismatch
Localiza tensores desalineados en embeddings, máscaras e indexación en PyTorch.
Abrir Solución Index Device Mismatch - Mide burbujas de pipeline y solapamiento NCCL
Analizador de burbujas PyTorch Profiler
Procesa trazas Kineto y HTA en local para detectar cuellos de comunicación.
Abrir Analizador de burbujas PyTorch Profiler - 14 diagnósticos para gpud, HTA, NHC y nccl-tests
Suite de comandos para flotas GPU
Analiza reportes de diagnóstico sin registro o mediante la CLI sin subir datos.
Abrir Suite de comandos para flotas GPU