今天分享的是：大模型专题：大规模智算集群的管理与性能调优实践

报告共计：24页

《大规模智算集群的管理与性能调优实践》介绍了中国电信天翼云在大规模智算集群方面的经验和成果。

- 痛点问题：大规模智算集群存在智算业务与底层算力高耦合、故障发现及性能调优困难、百万器件管理复杂度高等挑战，大集群不等于大算力，需要解决平均任务稳定运行时间、故障恢复时间等问题，以最大程度发挥算力。

- 实战思路和方案：通过检查单机配置正确性、确保集群软硬件一致性、进行健康检查等方式保障集群性能；通过展示算力网络拓扑、解析核心指标等手段提升集群稳定性；建立多维度性能基线，丈量开源大模型不同算力的性能表现。

- 云骁智算平台及落地实践：云骁智算平台是集“异构计算+高速存储+无损网络+算力加速+高效运营”五大能力一体的计算加速平台，提供高性能算力底座、计算加速、故障诊断等服务，可保障集群稳定性，实现国产化，覆盖算力、存储、网络、平台各层次，是国内最早提供大模型训练用昇腾算力的云服务商。

- 未来展望：智算工程应关注性能与稳定、故障快速恢复、自动化交付、降低使用门槛、技术路线演进和国产化等方面，不断提升大规模智算集群的管理和性能调优能力。

总之，中国电信天翼云通过一系列措施和云骁智算平台，致力于解决大规模智算集群的痛点问题，推动智算平台的发展和完善，为大模型训练和推理提供强大的支持。

以下为报告节选内容