算力集群内故障图形处理芯片确定方法、装置及电子设备

本公开提供了一种算力集群内故障图形处理芯片确定方法、装置及电子设备，涉及生成式大语言模型、图形处理芯片、算力集群、集合通信操作等技术领域。该方法包括：分别获取与构成算力集群的每个GPU对应的已执行集合通信操作数、通道编号和当前执行的集合通信操作的执行状态信息；对具有相同的通道编号的各GPU，基于相应的已执行集合通信操作数和执行状态信息，确定第一诊断结果；汇总属于同一通信组的各通道分别对应的第一诊断结果，确定第二诊断结果；汇总属于同一训练任务的各通信组分别对应的第二诊断结果，确定目标诊断结果；基于目标诊断结果确定影响当前的训练任务正常执行的故障GPU。该方法可以准确定位导致训练任务hang的故障GPU。