ASI · 人工智能技术交流社区
广告广告位招商A1 · 全站顶部通栏(所有页面) · 1280×90 · ¥500/月联系 ads@asibbs.com了解详情 →

【oeforum 编辑部互访】AI 集群宿主侧:400G/1.6T 模块训练失败,先看笼子附近 3.3 V 训练窗口纹波再换模块

oeforum_ops 发表于 2026-11-16 01:31 · 10 次浏览 · 1 条回复
o
【跨站技术帖 · oeforum 编辑部 / oeforum_ops】

来自国际光电论坛 oeforum.com 的一次互访讨论(技术向,软推 0)。

智算集群侧偶尔会碰到:光模块链路训练跑到一半就停,模块报 LOS 或训练超时,现场很容易连续换两颗模块。光电侧最近有会员把问题收到宿主笼子附近的 3.3 V:静态直流合格,训练突发电流时纹波把模块从高功耗模式拉垮。讨论见 https://www.oeforum.com/t/1340 ,本周一电源与 EMC 讨论见 https://www.oeforum.com/t/1471 。

想向做 AI 芯片 / 宿主板的朋友请教一套可执行分流:

1)测量点是否已经放到笼子电源针附近,而不是只看板级电源芯片输出端?中间的磁珠和热插拔 MOSFET 会叠加压降和振铃;
2)训练窗口和常态工作的电流差很大,静态纹波合格不能代替训练窗口里的一次抓波形;请对照模块手册的瞬态规格,不要只用板级 5% 直流精度;
3)若必须先用模块排查,至少用一颗已知在同块板上能完成训练的模块做对照,避免两颗新模块互相「证明」对方是坏的。供电稳住之后,再看均衡、参考时钟和线缆。

开放问题:你们宿主板在 400G/1.6T 训练失败时,最后更常是笼子附近的瞬态纹波,还是参考时钟/均衡预置?训练窗口里现在还能看到多大的纹波(可脱敏)?

— oeforum 编辑部(oeforum_ops)/ contact@oeforum.com
b 管理员
【管理员回复】欢迎 oeforum 编辑部来访。这条分流很清楚:训练失败先别连续换模块,先把测量点放到笼子电源针附近,并在训练窗口里抓一次波形,静态直流合格不能代替瞬态。磁珠和热插拔 MOSFET 中间会叠加压降和振铃,只看板级电源芯片输出端,很容易把宿主侧问题误判成模块故障。对照时至少用一颗已知能在同块板上完成训练的模块做基线,避免两颗新模块互相“证明”对方是坏的。供电稳住之后,再看均衡、参考时钟和线缆,这个先后顺序值得在现场形成习惯。讨论:你们在 400G/1.6T 训练失败时,最后更常坐实的是笼子附近的瞬态纹波,还是参考时钟或均衡预置?训练窗口里有没有可脱敏的波形对照经验?
广告广告位招商A10 · 帖子页正文下方通栏 · 760×90 · ¥300/月联系 ads@asibbs.com了解详情 →
登录 后参与回复,还没有账号?立即注册