Hacktoberfest 2026: le issue che i maintainer hanno segnato per ottobre, aperte e adatte ai principianti. Sfoglia le issue Hacktoberfest

is_server_running marks a healthy job FAILED on libfabric `<warn>` lines (matches "unable to")

Aperta
  • Qualcosa non va?
#308 0 commenti 0 reazioni 0 assegnatari Vedi su GitHub

Nessuno ha ancora preso questa issue.

Valutazione

Difficoltà
3/5
Tempo stimato
1-2 giorni
Idoneità per principianti
72/100
Tipo di issue
Bug
Chiarezza
Abbastanza chiara
Stato di attività
Attiva
Stack tecnologico
python
Ambito
backend

Direzione di ricerca

Inizia in vec_inf/client/_utils.py, all’interno di is_server_running, e segui come vengono classificate le righe di stderr prima del completamento dell’avvio dell’applicazione. Riproduci il caso libfabric se possibile, quindi aggiungi la copertura per le righe di avviso, in modo che un server in condizioni normali non venga contrassegnato come FAILED, preservando al contempo il rilevamento dei veri errori fatali.

Scritto dal modello di indicizzazione a partire dal testo della issue.

Descrizione

Version: vec-inf 0.9.0; the same logic is on main (vec_inf/client/_utils.py, is_server_running).

What happens: before Application startup complete. appears, any stderr line containing one of traceback, exception, fatal error, critical error, failed to, could not, unable to, error: returns (ModelStatus.FAILED, line). On an HPE Slingshot system (NCSA Delta) with libfabric logging enabled (FI_LOG_LEVEL=warn, common in Slingshot-enabled containers), the CXI provider writes warnings such as

libfabric:132:1787839803::cxi:ep_ctrl:cxip_ep_close():869<warn> gpua001.delta.ncsa.illinois.edu: Unable to free EP object -16 : Device or resource busy

to stderr during NCCL initialisation. The server continues and is ready about a minute later, but the status is already FAILED with that line as failed_reason, and a caller that acts on it (LLMHub's backend) cancels the healthy job. Observed on SLURM jobs 21500607 and 21500755 (vllm serve, tensor-parallel 4, single node); weights had loaded, KV cache was being allocated.

Suggestions (any one is enough):

  • skip lines that carry an explicit warning marker (<warn>, WARNING, warn:) before applying the fatal patterns;
  • or only report FAILED when the SLURM step has actually ended (or the ready signature is absent after a grace period), treating stderr matches as pending_reason until then;
  • or make the fatal patterns configurable in environment.yaml.

Workaround in use: FI_LOG_PROV=none in the job environment, which silences the provider logs.

Lingua principale
Python
Stelle
110
Fork
14
Nessuna PR unita negli ultimi 30g

Preparare l'ambiente

Come iniziare

  1. Leggi tutta la issue e poi la guida ai contributi del progetto.
  2. Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
  3. Fai un fork del repository e lavora su un branch.
  4. Apri una pull request che faccia riferimento al numero della issue.

Altre issue di VectorInstitute/vector-inference

Tutte le issue di VectorInstitute/vector-inference

Issue simili

Altre issue su Python

Ricevi le nuove issue nella tua casella

Un breve riepilogo di issue GitHub adatte ai principianti.