摘要： 擁有千億級別參數(shù)的大語言模型（large language model,LLM）已為今天的人工智能和云服務(wù)帶來了巨大的技術(shù)和商業(yè)變革.然而，大模型訓(xùn)練與傳統(tǒng)的通用云計算（例如，亞馬遜EC2彈性計算服務(wù)）之間存在較多根本性的網(wǎng)絡(luò)行為差異，從而帶來了很多新的挑戰(zhàn)，主要包括流量模式差異造成負載難均衡（挑戰(zhàn)1）、多訓(xùn)練任務(wù)通信競爭影響GPU利用率（挑戰(zhàn)2），以及對網(wǎng)絡(luò)故障的高敏感性（挑... （共14頁）