Conçu pour : Équipes MLOps francophones sur OVHcloud, Scaleway et clusters Slurm ou Kubernetes européens
Séparer les pannes réseau RDMA/RoCE des erreurs Xid 79 et OOM hôte
Recoupez automatiquement les timeouts collectifs WorkNCCL, les erreurs de complétion ibv_poll_cq 12 et les événements noyau NVRM Xid afin d'escalader le bon noeud.
Évaluation Team 30 jours. Sans carte bancaire ni renouvellement automatique.
Analyser un journal multi-noeuds France / UE
Collez un journal masqué d'entraînement, dmesg ou NCCL_DEBUG=INFO pour obtenir la cause première citée et la prochaine vérification.
Consultez avant envoi : traitement cloud et exécution 100 % locale hors ligne.
Les fichiers volumineux sont condensés dans votre navigateur. Seules les preuves sélectionnées sont transmises au diagnostic.
Essayez Denpex pendant 30 jours. GRATUIT.
Sans carte bancaire. Sans abonnement automatique. Vérifiez l'utilité de Denpex sur un incident que vous connaissez déjà.
Démarrer votre évaluation Team gratuite de 30 jours
Jusqu'à 50 diagnostics par jour pendant 30 jours. Vérifiez votre e-mail professionnel pour activer votre essai d'entreprise, rejouez un incident déjà résolu et comparez les preuves avec la cause confirmée par votre équipe.
Ce qu'une évaluation de 30 jours valide
Synthèse factuelle prête pour vos équipes SRE ou le support fournisseur.
Denpex remonte uniquement les faits citables du log fourni et signale explicitement toute preuve encore absente.
Aperçu de Denpex
Inspectez les preuves exactes du journal plutôt que des hypothèses
Remontez la chaîne causale, examinez les lignes citées et préparez le transfert vers l'équipe infrastructure. Cliquez sur une capture pour l'ouvrir en pleine résolution.
Suivre une cascade jusqu'à la faute initiale

Préparer les preuves pour le dossier matériel RMA

Afficher clairement ce qu'il manque à prouver

Conclure l'investigation dans l'éditeur

OVHcloud & Scaleway France H100 - (vérification sur vos logs)
Schéma d'incident courant
Lorsqu'un entraînement FSDP ou DeepSpeed se fige sur 4 à 16 noeuds H100 après une perte de lien mlx5 ou un OOM DataLoader, identifiez le premier rank touché.
par-h100-node-04:5120:5184 [2] misc/ibvwrap.cc:284 NCCL WARN Call to ibv_poll_cq returned error 12 (Transport retry counter exceeded)
NVRM: Xid (PCI:0000:4b:00): 79, pid=14021, name=vllm, GPU has fallen off the bus.Variables de diagnostic à activer avant le prochain run
Configurez ces variables dans votre conteneur ou script de lancement pour capturer l'origine exacte du blocage :
NCCL_DEBUG=INFONCCL_IB_HCA=mlx5TORCH_NCCL_ASYNC_ERROR_HANDLING=1CUDA_DEVICE_ORDER=PCI_BUS_IDLimites du diagnostic et confidentialité
Denpex analyse uniquement les journaux fournis par l'utilisateur sans accès aux identifiants cloud ou aux clusters privés.
Autres workflows par fournisseur cloud GPU
Comparez les diagnostics multi-noeuds sur InfiniBand, RoCEv2, Kubernetes et Slurm.