GPUクラスタ向け無料診断・計算ツール群
機密データを外部に送信せず、ブラウザ上で完結する診断リファレンス、ローカルパーサー、および容量プランニング計算機です。 すべてのツールが診断の根拠とインシデント解決への次なる手順を明示します。
NVIDIA Compute Sanitizer をご利用ですか？最小限の CUDA 再現・メモリチェックガイドをご参照ください。計測はブラウザ内ではなく、隔離されたワークロード環境で実行されます。
- ブラウザ内完結・ゼロデータ送信
オフライン GPU ログ解析
数GB規模の PyTorch, NCCL, vLLM, Slurm ログをブラウザ上で直接解析。ランクカスケード、OOM、ハードウェア障害をローカルで高速診断します。
オフライン GPU ログ解析 を開く - ABI 不一致を防ぐ厳密なバージョン解決
CUDA・ドライバー・PyTorch 互換性チェッカー
NVIDIA ドライバ、CUDA ツールキット、PyTorch、FlashAttention の適合バージョンを検証し、正確な pip や uv コマンドを出力します。
CUDA・ドライバー・PyTorch 互換性チェッカー を開く - ハードウェア・ソフトウェア障害の迅速な切り分け
NVIDIA Xid エラーデコーダー
NVRM の Xid エラーコードを入力し、障害分類、RMA 判定基準、最初に行うべきエビデンス保存アクションを瞬時に抽出します。
NVIDIA Xid エラーデコーダー を開く - タイムアウトの根本原因と最初のエビデンスを特定
NCCL ログデコーダー
CUDA、ブートストラップ、通信、重複 GPU、タイムアウトの署名をランクログから分類し、ラッパーエラーを二次的要因として切り分けます。
NCCL ログデコーダー を開く - GPU 稼働レポートからインシデント証拠を生成
nvidia-smi パーサー
GPU 識別、メモリ、サーマル、電力、使用率、ECC、ローリマッパーの状態をローカルでパース。自動ハードウェア判定ではなく客観的な証拠を提供します。
nvidia-smi パーサー を開く - メモリフラグメンテーションと容量枯渇の判別
PyTorch CUDA OOM トライアージュ
PyTorch メモリアロケータのダンプ、予約プールの割当状態を検査し、正確なガベージコレクションやアロケータ設定の修正案を提示します。
PyTorch CUDA OOM トライアージュ を開く - 不正なメモリ・競合アクセスの完全特定
Compute Sanitizer & メムチェックガイド
cuda-memcheck, racecheck, synccheck を用いて、分散通信のタイムアウト連鎖が発生する前に違法メモリアクセスを最小限の再現手順で隔離します。
Compute Sanitizer & メムチェックガイド を開く - 事前学習の完了時間、MFU、クラウド費用試算
LLM 学習時間・クラスター費用計算機
Chinchilla トークン FLOPs、モデル FLOPs 利用率 (MFU)、クラスター効率、H100/H200/B200 クラウドのレンタルコストを精密に計算します。
LLM 学習時間・クラスター費用計算機 を開く - 重み、KV キャッシュ、活性値と並列化の容量見積
LLM マルチノード VRAM 計算機
モデルパラメータ、長文コンテキスト時の KV キャッシュ、オプティマイザ状態、テンソル並列化のメモリフットプリントをマルチノードで計算します。
LLM マルチノード VRAM 計算機 を開く - VRAM 割当とトークン処理レイテンシの検証
LLM 推論スループット・KV キャッシュサイザー
生成トークンのレイテンシ、プロンプト処理スループット、プロダクション推論エンジンにおける同時実行数の上限を算出します。
LLM 推論スループット・KV キャッシュサイザー を開く - 異種ファブリック間での NCCL インターフェース設定
RoCEv2 & InfiniBand GID インデックス計算機
NCCL のインターフェースバインドエラーを解消し、マルチノードのファブリック環境における GID インデックスや RoCE パラメータを正しくマッピングします。
RoCEv2 & InfiniBand GID インデックス計算機 を開く - ZeRO ステージ 1, 2, 3 のメモリ分割オーバーヘッド算出
DeepSpeed ZeRO & LoRA メモリ計算機
分散ファインチューニングや事前学習におけるパラメータ、勾配、オプティマイザ状態のパーティション分割メモリ消費量を正確に割り出します。
DeepSpeed ZeRO & LoRA メモリ計算機 を開く - デバイスプラグイン対応の本番用 K8s マニフェスト
Kubernetes GPU ジョブマニフェスト生成器
GPU リソース要求、ノードセレクタ、Tolerations、共有メモリボリュームを適切に設定した信頼性の高いオーケストレーションを生成します。
Kubernetes GPU ジョブマニフェスト生成器 を開く - データセンターマネージャのヘルス違反を解析
DCGM & PCIe AER 診断エラーデコーダー
ハードウェアの劣化、リンク再訓練ループ、サーマルスロットリングなどの異常イベントを生ログからピンポイントで特定します。
DCGM & PCIe AER 診断エラーデコーダー を開く - インフラ停止による金銭的・時間的影響のモデル化
GPU ダウンタイム損失計算機
GPU 稼働停止時間、インフラ損失、エンジニアの人件費、月間リスク露出、シナリオ別の復旧可能割合をユーザーの入力値から算出します。
GPU ダウンタイム損失計算機 を開く - 分散学習向け本番用 sbatch スクリプト構築
Slurm マルチノード GPU バッチ生成器
PyTorch FSDP、DeepSpeed、Megatron の分散学習ジョブ向けに、適切な GPU 数、CPU アフィニティ、NCCL 環境変数を設定したスクリプトを出力します。
Slurm マルチノード GPU バッチ生成器 を開く - ステップ 0 の前にファブリックのミスコンフィグを検知
NCCL トポロジーリンター
nvidia-smi topo -m と NCCL 環境変数を入力。GPU と NIC の親和性、PCIe ACS、memlock 制限を検証し、スループット低下やハングの原因を特定します。
NCCL トポロジーリンター を開く - 前回正常実行時からの変更点を自動検出
クロスラン環境差異（Diff）分析ツール
正常時と失敗時の実行環境を比較。ドライバ、CUDA、NCCL、PyTorch、pip パッケージ、環境変数の差分を抽出し、発生した障害クラスと突き合わせて原因を究明します。
クロスラン環境差異（Diff）分析ツール を開く - 設定ミスの悩みを解消する最適環境の自動構築
NCCL 環境変数ジェネレーター
インターフェース環境とジョブ形状を入力するだけで、レビューで説明可能な根拠を持った最適な NCCL および PyTorch 環境変数を一括生成します。
NCCL 環境変数ジェネレーター を開く - InfiniBand、RoCE v2、AWS EFA 向け帯域最大化
NCCL チューニングガイド & フラグ最適化ツール
NCCL_NET_GDR_LEVEL、NCCL_BUFFSIZE、NCCL_CROSS_NIC およびツリー/リングアルゴリズムの調整により、分散学習の通信帯域を限界まで引き上げます。
NCCL チューニングガイド & フラグ最適化ツール を開く - ベンダの仕様書には載っていない実障害データ
GPU 信頼性インデックス
H100、A100、H200 の障害モードと発生率を Denpex のインシデントコーパスから提供。ベンダのカタログ値以外を根拠にしたインフラ選定を支援します。
GPU 信頼性インデックス を開く - Bus error によるワーカー強制終了を完全に解決
PyTorch DataLoader /dev/shm 容量サイザー
マルチワーカー PyTorch DataLoader 向けの共有メモリ (/dev/shm) をサイズ計算。Docker の --shm-size や K8s の emptyDir 設定を出力します。
PyTorch DataLoader /dev/shm 容量サイザー を開く - CDI およびデバイスドライバ不一致のエラー解決
NVIDIA コンテナツールキット & ドライバ修復
Docker コンテナ実行時の could not select device driver with capabilities エラーや、nvidia-container-cli のバージョン不整合をステップバイステップで修正します。
NVIDIA コンテナツールキット & ドライバ修復 を開く - libcudart.so および compute capability のロード修復
bitsandbytes CUDA セットアップ失敗の修正
GPU 認識済みにもかかわらず発生する CUDA setup failed や、共有ライブラリの欠落、4ビット/8ビット量子化時の演算能力エラーを解消します。
bitsandbytes CUDA セットアップ失敗の修正 を開く - CPU と GPU 間におけるテンソル参照エラーの解決
PyTorch インデックスデバイス不一致の修正
埋め込みルックアップ、マスク処理、テンソルインデクシング時において、異なるデバイスや CPU に分散配置されたテンソルの不整合を特定して修正します。
PyTorch インデックスデバイス不一致の修正 を開く - エアギャップ環境でプライベート監査を実行
ローカルフリート診断 CLI
単一ノードおよびマルチノードクラスターを外部通信なしでローカル診断。ハードウェアカウンター、ファブリックドロップ、システムジャーナルを網羅的に評価します。
ローカルフリート診断 CLI を開く