radixark/miles

Reported Plausible Failure of Qwen3 235B

Offen

#529 geöffnet am 29.01.2026

Auf GitHub ansehen
 (4 Kommentare) (0 Reaktionen) (1 zugewiesene Person)Python (244 Forks)github user discovery
bughelp wanted

Repository-Metriken

Stars
 (1.513 Sterne)
PR-Merge-Metriken
 (Durchschn. Merge 9T 17h) (200 gemergte PRs in 30 T)

Beschreibung

A reported bug from the community that the latest Miles Docker can not run Qwen3 235B MoE models. I highly think this might be wrong, but the errors are:

 [36m(MegatronTrainRayActor pid=85329, ip=10.142.198.76) [rank51]:[E129 09:24:37.913960277 ProcessGroupNCCL.cpp:683] [Rank 51] Watchdog caught collective operation timeout: WorkNCCL(SeqNum=25, OpType=ALLREDUCE, NumelIn=1, NumelOut=1, Timeout(ms)=600000) ran for 600055 milliseconds before timing out.

An all reduce timeout. I think it's a good start point for those feel interested in Large scale training to debug on.

Contributor Guide

Research-Richtung
Überprüfen Sie den All Reduce Timeout Fehler beim verteilten Training. Prüfen Sie die NCCL Konfiguration, die Netzwerkkonnektivität und die Modellparallelitätseinstellungen.
Tech Stack
pythonpytorchdocker
Domain
backend
Issue Type
Fehler
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.
1-2 Tage
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
GitPythonDocker
EinsteigerfreundlichkeitEin Score von 1 bis 100, der schätzt, wie zugänglich dieses Issue für First-Time Contributors ist.
55