Torchtitan项目中Float8混合精度训练NaN问题的分析与解决

在深度学习模型训练过程中，数值稳定性一直是工程师们关注的重点问题。近期在Torchtitan项目中进行大规模模型训练时，开发团队遇到了一个典型的数值稳定性问题——使用Float8混合精度训练时出现NaN（非数字）值，而相同配置下使用BF16精度则训练正常。

问题现象

在256规模（256个计算单元）的分布式训练环境中，当采用Float8行级(rowwise)混合精度策略时，模型训练约80次迭代后损失函数突然变为NaN值，导致训练中断。值得注意的是，这一问题具有高度可复现性——两次独立运行都在完全相同的训练步骤出现相同现象。

作为对比实验，当保持其他所有配置不变，仅将精度从Float8切换为BF16时，训练过程稳定进行，没有出现任何数值异常。这一对比结果初步表明问题与Float8精度的数值特性有关。

技术背景

Float8是一种新兴的浮点格式，相比传统的FP16/BF16格式，它通过更小的位宽(8位)来减少内存占用和计算开销，但同时带来了更小的动态范围和更低的数值精度。在混合精度训练中，Float8通常用于前向和反向传播中的激活值和梯度计算，而权重更新仍保持较高精度。

行级(rowwise)量化是Float8实现中的一种策略，它为矩阵的每一行单独计算缩放因子，相比全局量化能更好地保留数值信息。然而，这种细粒度量化在分布式训练中需要额外的通信开销来同步各行的量化参数。

问题排查过程

开发团队首先在小规模环境下（4GPU和8GPU）进行了验证测试，发现无法复现该问题，训练可以稳定运行超过200步。这一结果说明问题可能与大规分布式训练特有的通信模式或数值累积效应有关。

进一步排查发现，之前在其他非Float8配置下也出现过类似的NaN问题，最终定位到是计算节点中某个GPU硬件故障导致的。该GPU会间歇性产生XID错误（一种NVIDIA GPU的错误报告机制），影响了数值计算的正确性。

解决方案与经验总结

通过隔离并重启故障GPU节点，问题得到彻底解决。这一案例为我们提供了宝贵的经验：

1. 大规模训练中的NaN问题可能是硬件故障的表现，而不仅仅是算法或实现问题
2. 混合精度训练，特别是像Float8这样的超低精度格式，对硬件状态更加敏感
3. 建立完善的硬件健康监测机制对保障长时间训练至关重要
4. 控制实验（如切换精度格式）是定位问题来源的有效手段

对于使用混合精度训练的实践者，建议在遇到类似问题时：

• 首先检查硬件状态和错误日志
• 在不同规模下测试以确认问题范围
• 保持软件版本和硬件驱动的最新状态
• 建立完善的训练监控机制，及早发现数值异常

随着AI模型规模的不断扩大，这类底层硬件问题可能会更加常见，开发团队需要具备全面的排查能力，从算法、实现到硬件环境进行全方位的问题定位。