radixark/miles

Reported Plausible Failure of Qwen3 235B

Ouverte

#529 ouverte le 29 janv. 2026

Voir sur GitHub
 (4 commentaires) (0 réaction) (1 personne assignée)Python (244 forks)github user discovery
bughelp wanted

Métriques du dépôt

Stars
 (1 513 étoiles)
Métriques de merge PR
 (Merge moyen 9j 17h) (200 PRs mergées en 30 j)

Description

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.

Guide contributeur

Direction de recherche
Inspectez l'erreur de délai d'attente all reduce dans l'entraînement distribué. Vérifiez la configuration NCCL, la connectivité réseau et les paramètres de parallélisme du modèle.
Stack technique
pythonpytorchdocker
Domaine
backend
Type d'issue
Bug
DifficultéDifficulté estimée pour un nouveau contributeur, de 1 pour un très petit changement à 5 pour un travail expert.
3
Temps estiméFourchette de temps approximative pour investiguer, implémenter, tester et préparer une pull request.
1-2 jours
Statut d'activitéDisponibilité apparente de l'issue : fraîche, active, ancienne, bloquée ou en attente d'un mainteneur.
Active
ClartéClarté avec laquelle l'issue explique le changement attendu, les critères d'acceptation et la prochaine étape.
Plutôt claire
Prérequis
GitPythonDocker
Accessibilité débutantScore de 1 à 100 estimant l'accessibilité de cette issue pour un premier contributeur.
55