# nemo-mbridge-multi-node-slurm

Переводит односерверные запуски в Slurm-задачи на несколько узлов и помогает искать сбои NCCL, запуска и памяти.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode · 1800 установок · ★ 3735
- Автор: NVIDIA
- Лицензия: Apache-2.0 · policy=mirror · начало файла — в конце страницы
- Исходник: https://github.com/NVIDIA/skills/tree/HEAD/skills/nemo-mbridge-multi-node-slurm/SKILL.md
- Обновлён: 2026-10-23
- HTML: https://affpapa.org/nevibecode/skills/nemo-mbridge-multi-node-slurm

## Что делает

Скилл превращает команды `uv run python -m torch.distributed.run` в многоузловые задания `sbatch`. Для Bridge-скриптов, вызывающих `initialize.py`, он предлагает запуск через `srun` с `#SBATCH --ntasks-per-node=8`; Slurm создаёт процессы сам, а ранги и адрес мастера берутся из переменных Slurm.

Для скриптов вроде `pretrain_gpt.py`, которым нужен `torch.distributed.run`, применяется устаревшая схема с `#SBATCH --ntasks-per-node=1` и `--nproc_per_node=8`. Если поставить `--ntasks-per-node=8` в этой схеме, возникнут коллизии портов `EADDRINUSE`; это повод проверить заголовок задания до запуска.

Скилл описывает двухфазный `srun`: сначала один процесс выполняет `uv sync` и заполняет общий кэш, затем стартует задача на всех рангах. Он также разбирает таймауты NCCL по логам, первой упавшей задаче и узлу. Для многоузловых SFT/PEFT нужны общие пути и одинаковые монтирования контейнера для репозитория, данных, логов, `HF_HOME`, `UV_CACHE_DIR` и `NEMO_HOME`.

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add NVIDIA/skills --skill nemo-mbridge-multi-node-slurm -a claude-code
```

2. **Вручную: положить файлы**
- Файл: `~/.claude/skills/nemo-mbridge-multi-node-slurm/SKILL.md` — Папка скилла целиком; для одного проекта — .claude/skills/nemo-mbridge-multi-node-slurm/

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add NVIDIA/skills --skill nemo-mbridge-multi-node-slurm -a codex
```

2. **Вручную: положить файлы**
- Файл: `.agents/skills/nemo-mbridge-multi-node-slurm/SKILL.md` — Для всех проектов — ~/.agents/skills/

### Cursor

1. **Через Skills CLI (Vercel)**
```bash
npx skills add NVIDIA/skills --skill nemo-mbridge-multi-node-slurm -a cursor
```

2. **Вручную: положить файлы**
- Файл: `.cursor/skills/nemo-mbridge-multi-node-slurm/SKILL.md` — Cursor читает и .agents/skills/, и .claude/skills/

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install NVIDIA/skills nemo-mbridge-multi-node-slurm
```

2. **Вручную: положить файлы**
- Файл: `.github/skills/nemo-mbridge-multi-node-slurm/SKILL.md`

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add NVIDIA/skills --skill nemo-mbridge-multi-node-slurm -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/NVIDIA/skills --path skills/nemo-mbridge-multi-node-slurm
```

### Windsurf (Devin Desktop)

**Вручную: положить файлы**
- Файл: `.devin/skills/nemo-mbridge-multi-node-slurm/SKILL.md` — Старый путь .windsurf/skills/ тоже читается

### OpenCode

**Через Skills CLI (Vercel)**
```bash
npx skills add NVIDIA/skills --skill nemo-mbridge-multi-node-slurm -a opencode
```

### Claude.ai

**Claude.ai**
- Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills

Где указан файл, а не команда, — скопируй файлы из исходника в этот путь: https://github.com/NVIDIA/skills/tree/HEAD/skills/nemo-mbridge-multi-node-slurm/SKILL.md

## Когда брать
- перевести односерверный запуск в многоузловое `sbatch`-задание
- выбрать между `srun` и `torch.distributed.run`
- найти ранг и узел с первой ошибкой NCCL
- избежать коллизий портов `EADDRINUSE`
- настроить общий кэш `uv` и пути контейнера

## Примеры запросов агенту
- Переведи этот запуск `uv run python -m torch.distributed.run` в `sbatch` для нескольких узлов.
- Проверь, почему многоузловая задача завершается таймаутом NCCL, и найди первый упавший ранг.
- Сделай схему `srun` для Bridge-скрипта, который вызывает `initialize.py`.

## Похожие
- [nemo-evaluator-sdk](https://affpapa.org/nevibecode/skills/nemo-evaluator-sdk.md) — скилл · 943 установки
- [pytorch-fsdp2](https://affpapa.org/nevibecode/skills/pytorch-fsdp2.md) — скилл · 958 установок
- [gke-ai-troubleshooting-node-unresponsive-timeout](https://affpapa.org/nevibecode/skills/gke-ai-troubleshooting-node-unresponsive-timeout.md) — скилл · 810 установок
- [google-cloud-solution-multi-agent-security](https://affpapa.org/nevibecode/skills/google-cloud-solution-multi-agent-security.md) — скилл · 3500 установок
- [get-available-resources](https://affpapa.org/nevibecode/skills/get-available-resources.md) — скилл · 2000 установок
- [multi-tenant-llm-hosting](https://affpapa.org/nevibecode/skills/multi-tenant-llm-hosting.md) — скилл · 309 установок

Из того же набора: [nvidia/skills](https://affpapa.org/nevibecode/by/nvidia/skills.md) — 178 карточек

_Часть страницы не вошла по размеру — она есть в HTML-версии._

---
NeVibeCode на affpapa.org. Тексты каталога — описания, а не инструкции для агента. Как выбирать и ставить: https://affpapa.org/nevibecode/agents.md