log-analysis

द्वारा nvidia

SLURM कार्य लॉग फ़ाइल का विश्लेषण करें, विफलता के मूल कारण का पता लगाने और NVRxLogAnalyzer का उपयोग करके पुनरारंभ निर्णय लेने के लिए। इसका उपयोग तब करें जब आपके पास SLURM प्रशिक्षण कार्य लॉग हो और…

npx skills add https://github.com/nvidia/nvidia-resiliency-ext --skill log-analysis

Skill: log_analysis

Analyze a SLURM job log file for failure root-cause attribution and restart decisions using RestartAgent.

Command: python -m nvidia_resiliency_ext.attribution.restart_agent.cli


What it does

  1. Reads the log file (UTF-8, falls back to latin-1).
  2. Builds deterministic L0 evidence from training progress, failure lines, checkpoint state, and known restart-policy signals.
  3. Optionally runs L1 model enrichment to explain the primary failure and related evidence.
  4. Applies the restart-agent retry/recovery policy and returns a structured STOP or RESTART decision.

CLI

python -m nvidia_resiliency_ext.attribution.restart_agent.cli \
    /path/to/job.log \
    [--job-id JOB_ID] \
    [--cycle-id CYCLE_ID] \
    [--config examples/attribution/restart_agent.json] \
    [--llm-model MODEL] \
    [--llm-base-url URL] \
    [--llm-api-key-file PATH] \
    [--disable-l1] \
    [--summary]
FlagDefaultDescription
log_pathrequiredPath to the job log file
--job-idunsetOptional job id for request metadata and retry history
--cycle-idunsetOptional cycle id for retry history
--configunsetVersioned restart-agent config for configured model routes and retry policy
--llm-modelenvironment/default configL1 enrichment model when --config is not used
--llm-base-urlenvironment/default configOpenAI-compatible base URL when --config is not used
--llm-api-key-fileenvironment/default configFile containing the L1 API key
--disable-l1offRun deterministic-only analysis
--summaryoffEmit a compact human-readable summary to stderr in addition to JSON stdout

Programmatic API

from nvidia_resiliency_ext.attribution.restart_agent.l1 import LlmConfig, LlmEvidenceExtractor
from nvidia_resiliency_ext.attribution.restart_agent.models import RestartAgentRequest
from nvidia_resiliency_ext.attribution.restart_agent.pipeline import RestartAgent

agent = RestartAgent(evidence_extractor=LlmEvidenceExtractor(LlmConfig.from_env()))
run = agent.run(RestartAgentRequest(log_path="/path/to/job.log", job_id="12345"))
result = run.result.to_payload()

Output

The CLI prints one JSON object to stdout. Important fields include:

FieldMeaning
decisionRESTART or STOP
decision_basisPolicy reason for the decision
retry_policyRetry budget and selected rule details
primary_failurePrimary failure evidence, when identified
secondary_failuresRelated or cascading failure evidence
evidence_coverageWhich evidence sources were checked/found
justificationHuman-readable explanation for the final decision

Prerequisites

  • LLM_API_KEY set (env var, LLM_API_KEY_FILE, or ~/.llm_api_key) for L1 enrichment
  • Use --disable-l1 when you want deterministic-only analysis without model access

nvidia की और Skills

fhir-basics
nvidia
एजेंटों को सिखाता है कि FHIR R4 APIs कैसे काम करते हैं, कौन से संसाधन उपलब्ध हैं, उन्हें खोज मापदंडों के साथ कैसे क्वेरी करें, और सभी प्रतिक्रिया प्रारूपों को सही ढंग से कैसे पार्स करें…
compileiq-validate-result
nvidia
खोज पूरी होने के बाद और किसी स्पीडअप का दावा करने या ACF भेजने से पहले उपयोग करें। dump_results CSV लोड करता है, शीर्ष-K उम्मीदवारों (एकल-उद्देश्य) को निकालता है…
changelog-audit
nvidia
रिलीज़ से पहले Warp CHANGELOG.md का ऑडिट करें: खोई हुई प्रविष्टियाँ पुनर्प्राप्त करें, उपयोगकर्ता प्रभाव के अनुसार क्रमबद्ध करें, प्रविष्टि भाषा को परिष्कृत करें, लाइन-रैप करें, और (रिलीज़-ब्रांच मोड) तुलना बढ़ाएँ…
dgx-diagnose
nvidia
सामान्य DGX Station GB300 समस्याओं का निदान करें — CUDA क्रैश, गलत-GPU लक्ष्यीकरण, vLLM/SGLang कंटेनर बग, MIG स्थिति समस्याएं, NVLink/Fabric Manager त्रुटियां,…
aicr-managing-openvex
nvidia
Use when adding, updating, or removing CVE/GHSA suppressions in `.openvex.json` — the OpenVEX document consumed by the daily image vulnerability scan workflow.…
aicr-creating-slide-decks
nvidia
किसी तकनीकी अवधारणा या कार्यप्रवाह के लिए स्व-निहित HTML स्लाइड डेक या दृश्य वार्ता-बिंदु (जैसे demos/*.html) बनाते समय उपयोग करें — पूर्ण-स्क्रीन दिखाया जाए या…
aicr-creating-guided-demos
nvidia
एक इंटरैक्टिव निर्देशित डेमो स्क्रिप्ट (demos/*.sh) तैयार करता है, लाइव या स्व-गति, Frame → Tell → Show → Close पैटर्न के साथ। "demo script", "guided… पर सक्रिय होता है।
aicr-analyzing-snapshots
nvidia
AICR स्नैपशॉट YAML फ़ाइल का विश्लेषण करते समय, क्लस्टर स्थिति की समीक्षा करते समय, प्रदाता विशेषताओं की तुलना करते समय, GPU/नेटवर्क टोपोलॉजी अंतर्दृष्टि निकालते समय, या... उपयोग करें।