Ferramentas gratuitas de diagnóstico para clusters GPU
Analisadores locais, referências de falhas e calculadoras sem precisar de conta ou enviar logs. Cada ferramenta separa evidência observada do que ainda falta confirmar.
Usando NVIDIA Compute Sanitizer? Guia mínimo de reprodução CUDA e memcheck mostra como instrumentar o processo no seu ambiente isolado de GPU.
- Diagnóstico no navegador sem envio externo
Analisador de logs GPU offline
Analise logs de PyTorch, NCCL, vLLM e Slurm no navegador com processamento inteiramente local.
Abrir Analisador de logs GPU offline - Combine driver NVIDIA, CUDA, Torch e FlashAttention
Compatibilidade CUDA, Driver e PyTorch
Encontre versões compatíveis e gere comandos pip, uv e Docker livres de conflitos de ABI.
Abrir Compatibilidade CUDA, Driver e PyTorch - Hardware, software ou coleta de evidências
Decodificador de erros NVIDIA Xid
Interprete NVRM Xid 79, 74 e 48 e salve UUID e dmesg antes de reiniciar a máquina.
Abrir Decodificador de erros NVIDIA Xid - Ache o primeiro sinal antes do timeout final
Decodificador de logs NCCL
Classifica falhas CUDA, bootstrap, transporte RDMA e watchdog entre todos os ranks.
Abrir Decodificador de logs NCCL - Transforme relatórios GPU em evidência objetiva
Parser de relatórios nvidia-smi
Interpreta memória, temperatura, potência, ECC e Row Remapper localmente no navegador.
Abrir Parser de relatórios nvidia-smi - Separe fragmentação de esgotamento real de HBM
Triagem PyTorch CUDA OOM
Compara memória reservada vs alocada e sugere ajustes em PYTORCH_CUDA_ALLOC_CONF.
Abrir Triagem PyTorch CUDA OOM - Isole acessos ilegais de memória e race conditions
Guia Compute Sanitizer e Memcheck
Comandos mínimos de memcheck, racecheck e synccheck antes de timeouts coletivos.
Abrir Guia Compute Sanitizer e Memcheck - Tempo de pré-treino, MFU e custo em cluster GPU
Calculadora de treino LLM e MFU
Estime FLOPs, utilização MFU e vazão em clusters A100, H100, H200 e B200.
Abrir Calculadora de treino LLM e MFU - Pesos, cache KV GQA/MLA e Tensor Parallelism
Calculadora VRAM LLM (Português)
Simule memória FP16, FP8 e INT4 para DeepSeek, Llama, Qwen e Gemma em A100, H100, H200 e RTX 5090.
Abrir Calculadora VRAM LLM (Português) - Actor FSDP, referência KL e rollout vLLM
Calculadora VRAM GRPO e RL
Dimensione HBM para pós-treinamento GRPO, DAPO e PPO com vLLM compartilhado.
Abrir Calculadora VRAM GRPO e RL - Latência de tokens, prefill e concorrência
Calculadora de inferência LLM
Calcule capacidade de cache KV e limite de requisições simultâneas em produção.
Abrir Calculadora de inferência LLM - Acerte índices GID e interfaces NCCL
Calculadora GID RoCEv2 e InfiniBand
Inspecione tabelas GID e estime largura de banda e buffers em redes RDMA.
Abrir Calculadora GID RoCEv2 e InfiniBand - Sobrecarga particionada nos estágios ZeRO 1, 2 e 3
Calculadora DeepSpeed ZeRO e LoRA
Calcule consumo de parâmetros, gradientes e estados de otimizador distribuídos.
Abrir Calculadora DeepSpeed ZeRO e LoRA - Manifestos K8s e validação de /dev/shm
Gerador de manifestos GPU Kubernetes
Monte requests de GPU, node selectors, tolerations e volumes de memória compartilhada.
Abrir Gerador de manifestos GPU Kubernetes - Decodifique violações DCGM e erros de barramento
Decodificador DCGM e PCIe AER
Identifique retrains PCIe, limitações térmicas e alertas de hardware nos logs.
Abrir Decodificador DCGM e PCIe AER - Custo de paradas e recuperação de checkpoints
Calculadora de impacto de downtime GPU
Modele horas ociosas de cluster e ganho de tempo com triagem automatizada.
Abrir Calculadora de impacto de downtime GPU - Scripts de produção para FSDP, DeepSpeed e Megatron
Gerador sbatch Slurm multi-nó
Gere scripts sbatch com afinidade de CPU, GPUs e variáveis NCCL corretas.
Abrir Gerador sbatch Slurm multi-nó - Detecte erros de rede antes do passo 0
Linter de topologia NCCL
Valida nvidia-smi topo -m, afinidade GPU-NIC, PCIe ACS e limites de memlock.
Abrir Linter de topologia NCCL - Descubra o que mudou desde a execução saudável
Análise Diff entre execuções
Compare versões de driver, CUDA, NCCL, PyTorch, pacotes pip e variáveis.
Abrir Análise Diff entre execuções - Flags de rede documentadas sem tentativa e erro
Gerador de ambiente NCCL
Produz variáveis NCCL e PyTorch fundamentadas pela topologia do cluster.
Abrir Gerador de ambiente NCCL - Ajuste fino para InfiniBand, RoCEv2 e AWS EFA
Guia de otimização NCCL
Configure NCCL_NET_GDR_LEVEL, buffers e algoritmos tree/ring com segurança.
Abrir Guia de otimização NCCL - Modos de falha observados em H100, A100 e H200
Índice de confiabilidade GPU
Referência de padrões reais de falha para planejamento de capacidade.
Abrir Índice de confiabilidade GPU - Evite SIGBUS em workers PyTorch multi-processo
Calculadora /dev/shm DataLoader
Dimensiona memória compartilhada e gera flags --shm-size ou emptyDir K8s.
Abrir Calculadora /dev/shm DataLoader - Resolva conflitos CDI e nvidia-container-cli
Correção Container Toolkit e Driver
Guia passo a passo para erros de device capabilities ao subir containers GPU.
Abrir Correção Container Toolkit e Driver - Repare libcudart.so e carregamento 4/8-bit
Correção CUDA no bitsandbytes
Soluciona falhas de bibliotecas compartilhadas e capacidade CUDA.
Abrir Correção CUDA no bitsandbytes - Resolva tensores misturados entre CPU e GPU
Correção Index Device Mismatch
Corrige erros de indexação e máscaras entre CPU e ranks CUDA distintos.
Abrir Correção Index Device Mismatch - Meça bolhas de pipeline e sobreposição NCCL
Analisador de bolhas PyTorch Profiler
Inspeciona traces Kineto e HTA localmente para achar stragglers de rede.
Abrir Analisador de bolhas PyTorch Profiler - 14 diagnósticos para gpud, HTA, NHC e nccl-tests
Suíte de comandos para frotas GPU
Analise saídas de diagnóstico sem cadastro ou usando a CLI localmente.
Abrir Suíte de comandos para frotas GPU