Question: How much large-scale scaling behavior can be predicted before benchmarking?
I maintainer di solito rispondono entro 6 giorni
Nessuno ha ancora preso questa issue.
Valutazione
- Difficoltà
- 5/5
- Tempo stimato
- Più di una settimana
- Idoneità per principianti
- 20/100
- Tipo di issue
- Funzionalità
- Chiarezza
- Da chiarire
- Stato di attività
- Attiva
- Ambito
- ai-infra-agents, machine-learning, performance
Direzione di ricerca
Non sono identificati file, test o punti di ingresso del codice. Inizia esaminando il materiale sulle prestazioni e sul benchmarking del repository, quindi collega la fascia di efficienza, il punto di flesso della scalabilità, il collo di bottiglia e i punti di validazione proposti a qualsiasi workflow esistente. Per considerare il lavoro completato sarebbe necessaria una decisione di un maintainer sul fatto che questo rientri in una feature da implementare o in una direzione di ricerca analitica.
Scritto dal modello di indicizzazione a partire dal testo della issue.
Descrizione
Question: How much scaling behavior can be predicted before running at the target GPU scale?
I'm interested in a broader performance-engineering question related to large-scale inference/training infrastructure.
Suppose we already know the relevant workload characteristics: model architecture, parallelism, batch size, sequence characteristics, hardware configuration and network topology.
For a deployment that may scale from, say, 512 → 1,024 → 2,048 → 4,096 GPUs:
How much of the scaling curve should we realistically be able to predict before actually allocating and running at the target scale?
I'm not asking about exact throughput.
The more interesting question is whether we can predict:
the approximate scaling-efficiency band;
where the scaling curve is likely to develop a knee;
which bottleneck is likely to dominate;
and, consequently, which GPU counts are actually worth benchmarking.
The practical workflow today often seems to be:
run → measure → calibrate → extrapolate → run again.
That works, but creates an interesting asymmetry: the scale we want to evaluate may also be the scale at which assumptions calibrated at smaller scales stop holding.
I'm exploring a pre-run analysis approach where the output is deliberately not an exact prediction. Instead, it would provide:
expected efficiency band + likely scaling knee + dominant bottleneck + minimum useful validation points
The goal is not to replace benchmarking.
The goal is to make the benchmarking itself more intelligent.
From the perspective of the TensorRT-LLM/NVIDIA performance architecture:
How far do you think this can be pushed analytically before empirical calibration becomes fundamentally unavoidable?
I'm particularly interested in where the boundary lies between effects that can be modeled from workload/system parameters and effects that only become visible once the workload is actually running at scale.
Even a short maintainer perspective would be very useful.
- Lingua principale
- C++
- Stelle
- 13.5k
- Fork
- 2.4k
- Merge medio
- 6g 21h
- PR unite (30g)
- 3
Preparare l'ambiente
- Nessun Dockerfile né file Docker Compose
- Nessun modello di pull request
- Leggi la guida per i contributori
Come iniziare
- Leggi tutta la issue e poi la guida ai contributi del progetto.
- Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
- Fai un fork del repository e lavora su un branch.
- Apri una pull request che faccia riferimento al numero della issue.
Altre issue di NVIDIA/TensorRT
-
Module:Polygraphy
Difficoltà 2/5 1-3 ore Idoneità per principianti 77/100
I maintainer di solito rispondono entro 6 giorni
-
Polygraphy NumPy Top-K sorts unsigned and minimum signed integers incorrectlyForse già presa @0z5a l’ha presa 16 giorni fa. ApertaModule:Polygraphy
Difficoltà 2/5 1-3 ore Idoneità per principianti 72/100
I maintainer di solito rispondono entro 6 giorni
-
Polygraphy INT32 comparison can overflow and falsely pass at zero toleranceForse già presa @0z5a l’ha presa 16 giorni fa. ApertaModule:Polygraphy
Difficoltà 2/5 1-3 ore Idoneità per principianti 72/100
I maintainer di solito rispondono entro 6 giorni
-
onnx-graphsurgeon: Graph.toposort() hits RecursionError when a graph has a local function and an If/Loop nodeForse già presa @gabortar l’ha presa 39 giorni fa. ApertaModule:GraphSurgeon
Difficoltà 2/5 1-3 ore Idoneità per principianti 82/100
I maintainer di solito rispondono entro 6 giorni
-
Polygraphy parse_meta accepts a shape with a missing bracketForse già presa @SashaMIT l’ha presa 51 giorni fa. ApertaModule:Polygraphy
Difficoltà 2/5 1-3 ore Idoneità per principianti 86/100
I maintainer di solito rispondono entro 6 giorni
Tutte le issue di NVIDIA/TensorRT
Issue simili
-
Difficoltà 1/5 Meno di un'ora Idoneità per principianti 91/100
I maintainer di solito rispondono entro 1 giorno
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 69/100
maplibre/maplibre-native#5072 ·
I maintainer di solito rispondono entro 1 giorno
-
[UBSan] spawn_simulator passes null child_options.args to uv_spawn (execvp nonnull violation)Aperta
Difficoltà 2/5 1-3 ore Idoneità per principianti 79/100
tenstorrent/tt-umd#4017 ·
I maintainer di solito rispondono entro 3 giorni
-
difficulty:easy func:gui prio:low type:bug
Difficoltà 2/5 1-3 ore Idoneità per principianti 72/100
NatronGitHub/Natron#1538 ·
I maintainer di solito rispondono entro 1 giorno
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 72/100
hyprwm/hyprsunset#103 · 1 commento ·