kubeflow/trainer

Enhanced MPI Support in TrainJob

Geschlossen

#2.751 geöffnet am 24.07.2025

Auf GitHub ansehenContributor Guide
 (26 Kommentare) (3 Reaktionen) (0 zugewiesene Personen)Go (964 Forks)github user discovery
area/controllerarea/mpiarea/runtimesgood first issuehelp wantedkind/feature

Repository-Metriken

Stars
 (2.112 Sterne)
PR-Merge-Metriken
 (Durchschn. Merge 10T 9h) (75 gemergte PRs in 30 T)

Beschreibung

What you would like to be added?

We plan to enhance MPI support in TrainJob in these areas:

  • SSH-based node communication
  • Add resource per node support
  • Address the failing launcher issue in the initialization phase (launcher fails until the MPI worker is ready)

Why is this needed?

As we discussed in the WG call yesterday, this will be included in Kubeflow Trainer ROADMAP 2025.

/cc @kubeflow/wg-training-leads @astefanutti @franciscojavierarceo @kramaranya @rudeigerc @mahdikhashan @Doris-xm @Harshal292004 @saileshd1402 @kannon92 @deepanker13

Love this feature?

Give it a 👍 We prioritize the features with most 👍

Contributor Guide

Research-Richtung
Untersuchen Sie das Problem des fehlschlagenden Launcher in der Initialisierungsphase und verstehen Sie die Startsequenz der MPI Worker.
Tech Stack
gokubernetes
Domain
machine learninginfrastructurebackend
Issue Type
Funktion
SchwierigkeitGeschätzte Implementierungsschwierigkeit für neue Contributors, von 1 für sehr kleine Änderungen bis 5 für Expertenarbeit.
3
Geschätzte ZeitEin grober Zeitrahmen, um zu recherchieren, zu implementieren, zu testen und einen Pull Request vorzubereiten.
Halber Tag
AktivitätsstatusWie verfügbar das Issue gerade wirkt: frisch, aktiv, stale, blockiert oder wartet auf Maintainer-Input.
Aktiv
KlarheitWie klar das Issue die erwartete Änderung, Akzeptanzkriterien und den nächsten Schritt erklärt.
Meist klar
Voraussetzungen
GoKubernetes
EinsteigerfreundlichkeitEin Score von 1 bis 100, der schätzt, wie zugänglich dieses Issue für First-Time Contributors ist.
50