MindFormers 训练调试能力与 HyperParallel Trainer 差距分析

1. 范围与统计口径

• 分析快照：MindFormers d38171030（2026-07-18），HyperParallel ee839216（2026-07-24）。
• MindFormers 静态图：传统 Trainer、mindspore.Model、GRAPH_MODE/training_graph 链路。
• MindFormers 动态图：mindformers.pynative.trainer.Trainer 的 MindSpore PyNative 链路。
• HyperParallel：特指 /home/fdw/code/hyper-parallel/hyper_parallel/trainer。它当前实际是 PyTorch eager Trainer；核心并行库存在某项能力，不等于 Trainer 已经接入。
• 本文只统计训练调试、监控、性能/显存分析和高可用能力，不统计普通训练算法或纯显存优化能力。

状态说明：

• ✅：Trainer 主链路已经接入，可通过正式配置或 callback 使用。
• ⚠️：部分支持、依赖特定模型/底层组件，或存在配置接线缺陷。
• ❌：当前 Trainer 不支持。
• “使用频率”统一预留为“待补充”，后续可按实际业务情况填写“高/中/低”或使用次数。

2. 精度与训练状态监控

功能点	含义与作用	典型使用场景	MindFormers 静态图	MindFormers 动态图	HyperParallel	使用频率	使能方式与限制
Loss 监控	输出训练 loss，确认收敛趋势和异常跳变	日常训练看盘、版本回归	✅	✅	✅	待补充	静态图使用 MFLossMonitor；动态图使用 LossCallback；HyperParallel 使用 train.logging.log_steps
学习率监控	输出当前 optimizer learning rate，辅助判断 loss 变化是否符合调度策略	warmup、衰减和断点续训检查	✅	✅	✅	待补充	三者均随基础训练日志输出
Global grad norm	观察全局梯度规模，定位梯度爆炸、消失和并行规约错误	混合并行训练稳定性检查	✅	✅	✅	待补充	MindFormers 随 loss callback 输出；HyperParallel 训练循环提供 DTensor-aware global norm
Overflow 状态监控	记录数值溢出状态，辅助定位低精度训练不稳定	fp16 训练出现 loss 抖动或停滞	✅	⚠️	❌	待补充	静态图 MFLossMonitor 直接输出；动态图基础日志没有与静态图等价的独立 overflow 指标
分项 Loss	分离主 loss、MoE auxiliary loss、MTP loss、indexer loss	MoE、MTP、DSA 精度问题归因	✅	✅	⚠️	待补充	静态图 MFLossMonitor(print_separate_loss=true)；动态图 LossCallback；HyperParallel 仅 MoE aux loss 有实现且 MoE callback 配置路径有缺陷
Micro/local loss	记录每个 micro-batch 的局部 loss，定位梯度累积过程中的异常样本或 stage	梯度累积、PP loss 分叉	✅	✅	✅	待补充	静态图 monitor_config.local_loss_format；动态图 monitor.train_state.local_loss；HyperParallel train.monitor.monitor_on: true、local_loss_format: [log, tensorboard]，从 on_substep_end 采集 raw micro loss
Device-local/rank-local 累积 loss	在当前 rank 内按 token 加权汇总一个 step 的 micro loss，识别局部卡异常	单卡正常、多卡 loss 分叉	✅	✅	✅	待补充	MindFormers 使用 device loss 配置；HyperParallel train.monitor.device_local_loss_format 输出 loss/device_accum_local_loss，当前不做跨 rank 聚合
参数级 local grad norm	在通信规约前按参数记录本地梯度 norm，并支持目标参数筛选	定位具体层梯度爆炸或消失	✅	✅	✅	待补充	MindFormers 使用 local_norm 配置；HyperParallel train.monitor.local_norm_format，并可配 target 正则和 invert
Device-local/rank-local grad norm	聚合当前设备所有被监控参数的本地梯度 norm	定位 rank 或并行 stage 间精度不一致	✅	✅	✅	待补充	MindFormers 使用 device norm 配置；HyperParallel train.monitor.device_local_norm_format 输出 grad/device_local_norm，当前不做跨 rank 聚合
Loss/梯度 NaN、Inf 检查	在异常值污染后续权重前终止训练并报告	算子异常、数值不稳定、脏数据	✅	❌	⚠️	待补充	静态图 check_for_nan_in_loss_and_grad: true；动态图未接入；HyperParallel 已修复 train.debug.check_nan_inf 接线，但只检查 global grad norm，且只有 rank 0 抛异常
Global norm spike 检测	按阈值识别梯度尖峰，可累计异常次数、跳过异常数据或触发错误	偶发脏样本和训练自动治理	✅	❌	❌	待补充	静态图配置 check_for_global_norm、global_norm_spike_threshold、global_norm_spike_count_threshold
Weight norm	记录参数权重 L2 norm，观察参数漂移或层间异常	loss 正常但权重更新异常	✅	❌	❌	待补充	静态图 monitor_config.weight_state_format
Optimizer moment norm	记录 Adam 一、二阶矩 norm，排查优化器状态污染或恢复不一致	checkpoint 续训精度不一致	✅	❌	❌	待补充	静态图 monitor_config.optimizer_state_format
Stable rank/最大特征值	估计矩阵 stable rank 和最大特征值，观察权重退化或表征塌缩	长周期训练稳定性和 MoE expert 退化分析	✅	❌	❌	待补充	静态图 monitor_config.stable_rank_config，支持参数筛选、聚合和采样周期
Attention max logits	输出逐层、逐 head 的 attention logits 最大值及整体最大值，识别 QK 放大和 softmax 饱和	Attention 数值稳定性、QK clip 调优	✅	✅	❌	待补充	静态图 monitor_config.max_attention_logit_format；动态图加入 MaxLogitsMonitor(step_interval=N)；均依赖模型支持 track_max_attention_logit
Attention mean_sum	记录 attention mean_sum，与 max logits 结合判断整体分布和局部极值	Attention 稳定性趋势分析	❌	❌	❌	待补充	当前源码没有名为 mean_sum 的指标；MindFormers 两种模式现有的是各层/各 head 最大值的整体 mean，不能直接等同于 mean_sum
MoE max_vio	衡量最热 expert 相对理想均衡负载的最大偏离，常用定义为 max(load_i) / mean(load) - 1，直接反映路由稳定性	Loss-Free Balancing、路由偏置和热点 expert 调优	⚠️	⚠️	⚠️	待补充	三者均未直接输出名为 max_vio 的指标；静态图可从 expert_load、动态图可从 tokens-per-expert、HyperParallel 可从核心 tokens_per_expert 推导。HyperParallel Trainer 的 MoE callback 还存在配置路径缺陷
Tokens per expert/expert load	记录各 MoE expert 接收的 token 数或负载	路由热点、负载不均和容量规划	✅	✅	⚠️	待补充	静态图 MoE callbacks；动态图 monitor.moe_monitor.save_tokens_per_expert_interval；HyperParallel 核心能同步计数，但 Trainer callback 错读配置且未输出完整直方图
MoE drop rate	记录容量不足造成的 token drop 比例	MoE 容量因子和路由调优	✅	❌	❌	待补充	静态图加入 MoEDropRateCallback
Expert 冷热与迁移监控	识别长期冷热 expert，并观察 expert 调整/迁移状态	MoE 长尾负载和热点治理	✅	❌	❌	待补充	静态图 ColdHotExpertMonitor、ExpertMigrateCallback
TensorBoard 指标落盘	将训练指标写入统一事件文件，支持曲线对齐和实验比较	长训练监控、版本对比	✅	✅	⚠️	待补充	静态图配置 tensorboard.tensorboard_dir；动态图配置 monitor.tensorboard.output_dir；HyperParallel train.monitor.*_format: [tensorboard] 已能写 local/device loss/norm 和 rank 0 global loss/norm，但通用 TensorBoardCallback 仍是 stub
确定性与复现开关	固定随机种子并打开计算/通信确定性，缩小并行精度问题排查范围	单卡/多卡对齐和回归复现	✅	✅	✅	待补充	静态图 train_precision_sync: true；动态图使用确定性训练配置；HyperParallel train.debug.deterministic: true

主要源码入口：

• 静态图：mindformers/core/callback/callback.py:348、:805、:993、:1172、:1411、:2853。
• 动态图：mindformers/pynative/callback/loss_callback.py:33、mindformers/pynative/tools/monitor.py:145、:288、:534、mindformers/pynative/callback/max_logits_monitor.py:38。
• HyperParallel：hyper_parallel/trainer/callbacks/base.py:156、:679、:758、:1101、:1176，hyper_parallel/trainer/base.py:1023、:1437，hyper_parallel/core/moe_utils.py:37。

3. 性能监控与 Profiler

功能点	含义与作用	典型使用场景	MindFormers 静态图	MindFormers 动态图	HyperParallel	使用频率	使能方式与限制
Step time	记录单步耗时，发现性能回退和周期性抖动	日常性能看盘、版本对比	✅	✅	✅	待补充	三者均随训练日志输出
Samples/tokens throughput	输出 samples/s 或 tokens/s，衡量端到端训练效率	并行策略和 batch size 调优	✅	✅	✅	待补充	MindFormers 基础 loss callback；HyperParallel train.logging.report_throughput: true
TFLOPS	按模型 FLOPs 和 step time 估算设备计算吞吐	算力利用率和实现性能比较	✅	✅	⚠️	待补充	MindFormers 可自动结合模型计算量；HyperParallel 必须手工填写 model_flops_per_token
MFU	计算模型 FLOPs 相对设备理论峰值的比例	判断计算、通信或调度瓶颈	⚠️	⚠️	⚠️	待补充	MindFormers 可由 TFLOPS 与设备峰值换算；HyperParallel 还需手工填写 peak_tflops
ETA/训练进度	根据近期 step time 估计剩余训练时间	长任务排期和异常停滞发现	✅	⚠️	✅	待补充	静态图 MFLossMonitor；HyperParallel Progress callback 使用 tqdm
Profiler 按 step 调度	只采集指定训练区间，降低采集开销	warmup 后抓取稳定 step	✅	✅	❌	待补充	MindFormers 配置 start/stop step；HyperParallel ProfilerCallback 目前没有创建或驱动 torch.profiler
Profiler rank 筛选	只在指定 rank 采集，控制多卡 trace 规模	PP stage 或异常 rank 定点分析	✅	✅	❌	待补充	静态图支持 profile_rank_ids/每 PP stage 取卡；动态图 profiler 支持 rank 配置
CPU/NPU activity	同时采集主机和设备侧执行活动	host launch、数据准备和设备计算关联分析	✅	✅	❌	待补充	MindFormers Profiler activity 配置
通信性能采集	记录集合通信事件及耗时，定位 DP/TP/PP/EP 通信瓶颈	扩卡效率差、通信等待高	✅	✅	❌	待补充	MindFormers profiler 打开 profile_communication
DTensor 算子/Collective 通信追踪	记录 DTensor op、模块层级、collective 类型/次数、参数和 sharding 信息，生成层次化调用表	定位某个模型模块引入了哪些隐式通信	❌	❌	⚠️	待补充	HyperParallel 核心可使用 with CommDebugMode(model) as mode，再调用 generate_comm_debug_tracing_table() 或 get_comm_counts()；支持 Torch/MindSpore，但尚未接入 Trainer 配置和按 step/rank 调度
Profiler 显存事件	将分配释放事件写入 trace，关联算子和显存峰值	显存峰值和泄漏定位	✅	✅	❌	待补充	MindFormers profiler 打开 profile_memory
Profiler level	通过 Level 0/1/2 控制采集粒度和开销	快速概览与深度根因分析切换	✅	✅	❌	待补充	MindFormers 配置 profiler_level
Python stack	记录事件对应 Python 调用栈	将热点算子映射回模型代码	✅	✅	❌	待补充	MindFormers profiler 打开 with_stack
MSTX 标记	写入训练 step、模块或用户区间标记，改善时间线可读性	复杂并行时间线分段	✅	✅	❌	待补充	MindFormers profiler 打开 MSTX 相关配置
数据简化	删除大体积冗余 trace 数据，降低落盘与解析开销	大规模多卡 profiler	✅	✅	❌	待补充	MindFormers profiler 使用 data_simplification
并行策略 metadata	将 DP/TP/PP/CP/EP 等并行信息随 trace 保存	分析通信事件属于哪个并行维度	✅	✅	❌	待补充	MindFormers profiler/Trainer 自动补充并行 metadata
吞吐基线与线性度	对比基准吞吐，判断当前吞吐是否异常及扩卡是否线性	持续性能回归和扩卡验收	✅	❌	❌	待补充	静态图 TrainingStateMonitor 配置 throughput baseline/linearity
数据等待时间	单独统计 dataloader/取数等待，区分数据瓶颈和计算瓶颈	step time 抖动、设备空闲	❌	❌	❌	待补充	三套 Trainer 当前没有统一的一等指标，需新增 step 分段计时
PP bubble/stage imbalance	统计 pipeline bubble 和各 stage 前后向耗时差异	PP 切层、micro-batch 数量调优	❌	❌	❌	待补充	可从 trace 人工分析，但尚无直接汇总指标

主要源码入口：

• 静态图：mindformers/core/callback/callback.py:348、:805、:2264，mindformers/trainer/trainer.py:1115。
• 动态图：mindformers/pynative/tools/profiler.py:40、mindformers/pynative/trainer/trainer.py:884。
• HyperParallel：hyper_parallel/trainer/callbacks/base.py:156、:592，hyper_parallel/trainer/config.py:293，hyper_parallel/core/dtensor/debug/_comm_debug_mode.py:47。

4. 显存分析

本节只统计显存观测和问题定位能力，不统计降低显存占用的训练策略。

功能点	含义与作用	典型使用场景	MindFormers 静态图	MindFormers 动态图	HyperParallel	使用频率	使能方式与限制
Profiler memory trace	采集分配、释放和峰值相关事件，并与执行时间线关联	显存峰值来源和生命周期分析	✅	✅	❌	待补充	MindFormers profiler 设置 profile_memory: true；HyperParallel memory profiler 未实现
算子/调用栈显存归因	结合 memory trace 和 stack 将显存事件定位到算子与 Python 代码	找出高占用算子或模块	✅	✅	❌	待补充	MindFormers 同时打开 profile_memory 和 with_stack
Current allocated/reserved	周期输出当前已分配和已预留显存，观察常驻占用和碎片趋势	长训练疑似泄漏、reserved 持续增长	❌	❌	❌	待补充	MindFormers 只能通过重型 profiler 间接分析；HyperParallel MemoryMonitorCallback 为 stub
Step peak allocated/reserved	每 step 记录峰值并 reset，快速关联突增 step	动态 shape、长序列或偶发 batch 引发峰值	❌	❌	❌	待补充	三者均缺少轻量级逐 step peak monitor
Rank 间显存对比	汇总各 rank 峰值，定位 PP/EP 切分不均或单卡热点	某个 rank OOM、其他 rank 空闲	❌	❌	❌	待补充	可分别抓 profiler 后人工对比，但没有训练期统一聚合指标
显存碎片指标	输出 allocated、reserved、inactive split 等碎片信息	有空余但申请失败、运行时间越长越易 OOM	❌	❌	❌	待补充	当前无 Trainer 级轻量指标
OOM 自动诊断包	捕获 OOM 时保存最近 step 指标、显存摘要、快照和相关配置	难复现的长训练 OOM	❌	❌	❌	待补充	三者均没有完整自动化链路
Memory snapshot/timeline	保存可离线查看的分配调用栈、生命周期和对象关系	深度分析泄漏和生命周期过长	⚠️	⚠️	⚠️	待补充	MindFormers profiler 能提供 trace 级信息；HyperParallel 新增离线 memory_analysis.html，可读取 block CSV 展示无碎片/理论/含碎片显存曲线，但 Trainer 不负责采集和自动打开
峰值解释与激活点差异分析	查看峰值时存活内存块，按维度解释峰值，并比较两个时间点的新增、释放和共同存活块	查找峰值构成、生命周期过长和显存净增长来源	⚠️	⚠️	⚠️	待补充	HyperParallel 使用 hyper_parallel/tools/memory_visualizer/memory_analysis.html 离线导入 block CSV；支持峰值明细、解释器、A/B diff 和 CSV/JSON 导出，但尚未接入 Trainer/OOM 自动诊断链路

主要源码入口：

• MindFormers：mindformers/core/callback/callback.py:2264、mindformers/pynative/tools/profiler.py:40。
• HyperParallel：hyper_parallel/trainer/callbacks/base.py:1197、hyper_parallel/trainer/config.py 的 MemoryMonitorConfig、hyper_parallel/tools/memory_visualizer/memory_analysis.html。

5. 高可用、快速恢复与 Checkpoint

功能点	含义与作用	典型使用场景	MindFormers 静态图	MindFormers 动态图	HyperParallel	使用频率	使能方式与限制
周期 checkpoint	按 step 保存模型和训练状态，限制故障回退长度	常规长训练保护点	✅	✅	✅	待补充	静态图 CheckpointMonitor；动态图 checkpoint config；HyperParallel train.checkpoint.save_steps
Final checkpoint	正常训练结束时保存最终状态	确保最后一次更新可交付	✅	✅	✅	待补充	三者 callback 均支持训练结束保存
异步 checkpoint	将写盘放到后台执行，降低保存阻塞时间	checkpoint 较大、共享存储较慢	✅	✅	⚠️	待补充	MindFormers 配置 async save；HyperParallel 线程只浅拷贝 state，仍读取 live model/optimizer，存在跨 step 一致性风险
去冗余保存	不重复保存可由其他 shard 恢复的数据，降低容量和写盘量	大规模分布式 checkpoint	✅	✅	⚠️	待补充	MindFormers 支持 remove redundancy；HyperParallel 依赖 DCP shard，但没有等价的 Trainer 策略配置
Checkpoint 数量保留	自动删除过旧 checkpoint，控制存储增长	高频保存和长期训练	✅	✅	❌	待补充	MindFormers keep_checkpoint_max/save_max；HyperParallel 无 keep-max
模型与 optimizer 恢复	恢复参数和优化器状态，保持更新轨迹连续	手工重启、抢占恢复	✅	✅	✅	待补充	三者通过 checkpoint load path 恢复
Global step/scheduler 恢复	恢复 step 和学习率调度位置	避免 warmup 或衰减阶段错位	✅	✅	✅	待补充	HyperParallel 独立保存 scheduler/step；MindFormers 恢复 common info
RNG 状态恢复	恢复随机数状态，保证 dropout、采样等序列连续	精确复现和无损续训	⚠️	⚠️	✅	待补充	HyperParallel 显式保存 Python/NumPy/Torch RNG；MindFormers 依赖训练框架及 checkpoint 状态，需按模型链路验证
Dataloader 游标恢复	恢复已消费数据位置，避免重复或漏数	大数据集精确续训	✅	✅	✅	待补充	MindFormers 按 consumed samples/step 跳数；HyperParallel 保存 StatefulDataLoader
动态 GBS 续训	global batch size 改变后仍按已消费样本恢复数据	扩缩卡或 batch 配置变化	⚠️	✅	❌	待补充	动态图 Trainer 有专门 consumed-sample 处理；其他链路需固定数据语义
新格式 checkpoint 完整性校验	校验 metadata 引用的 safetensors 文件是否齐全，拒绝明显残缺目录	写盘中断、文件丢失	✅	✅	❌	待补充	MindFormers 新格式 loader 自动调用 verify_ckpt_valid
Metadata 原子更新	临时文件完成后原子替换 metadata，降低读到半写文件的概率	进程或存储中断	✅	✅	❌	待补充	MindFormers 新格式 metadata 使用临时文件与 replace；HyperParallel 无 Trainer 完成 manifest
完成 manifest/hash	显式标记整个 checkpoint 完成并校验内容，避免把半 checkpoint 当作恢复点	多 shard 部分写入成功	❌	❌	❌	待补充	三者均缺少完整的内容 hash、失败回滚和完成协议
Online reshard	根据源、目标 ShardedTensor metadata 在线重切分，支持并行策略变化后加载	DP/TP/PP/FSDP 切分变化	✅	⚠️	⚠️	待补充	静态图 checkpoint.reshard_worker_num；动态图复用 loader，但 load_worker_number 未传入，worker 实际仍为默认值；HyperParallel DCP 能处理部分 world-size 变化，缺少 Trainer 级显式流程和验收
Balanced load	在 rank 间平衡 checkpoint 文件读取任务，缓解存储热点	shard 数量不均、共享存储瓶颈	✅	✅	❌	待补充	MindFormers checkpoint.load_balanced: true
Weights-only load	只加载模型，不恢复 optimizer，并正确处理 master weight	微调、切换优化器、权重转换	✅	✅	⚠️	待补充	动态图 checkpoint.no_load_optim: true；HyperParallel 可通过状态选择实现，但无完整用户配置
Exception checkpoint	普通训练异常时尝试额外保存一次	Python 异常或可控错误减少丢步	✅	❌	❌	待补充	静态图 CheckpointMonitor.exception_save: true
健康 checkpoint 标记	根据 loss、global norm 等健康指标标记可恢复权重，避免从污染点继续训练	NaN、梯度尖峰和精度劣化后的回退	✅	❌	❌	待补充	静态图健康 checkpoint 配置与选择链路已接入；动态图只有 HealthCheckpointConfig 声明，没有运行时消费
Latest healthy 自动选择	启动时自动选择最近且健康、完整的 checkpoint	无人值守故障恢复	✅	❌	❌	待补充	静态图 tools/resume_ckpt.py 参与筛选；其他 Trainer 需显式路径
TFT 统一故障恢复接入	向底层容错框架注册同步 save/load hook，协调故障发现、重启和恢复	节点、进程、通信故障	✅	❌	❌	待补充	静态图 TrainFaultTolerance，通过 MS_ENABLE_TFT 打开相应能力
进程级快速恢复 ARF	单进程或节点内进程故障后快速拉起并重建训练状态	局部进程退出、节点内恢复	✅	❌	❌	待补充	静态图 MS_ENABLE_TFT 含 ARF:1，并配置同步 checkpoint
UCE 故障恢复	对接底层 UCE 检测与恢复流程，从可用 checkpoint 重建状态	NPU UCE 故障	⚠️	❌	❌	待补充	静态图设置 UCE:1；检测和故障处置依赖 MindSpore/TFT
临终遗言/故障现场保存	在可控故障退出前尽量保存最后训练现场	缩短相邻周期 checkpoint 之间的回退步数	⚠️	❌	❌	待补充	静态图 exception save/TFT save hook 可覆盖部分故障；致命硬件或进程故障不保证成功
TRE 联动	global norm 异常同步后抛出可被恢复框架识别的错误	精度异常自动回退	✅	❌	❌	待补充	静态图 MS_ENABLE_TFT=TRE:1 配合 global norm health 配置
SDC SilentCheck/CheckSum	检测静默数据损坏并通过跨 rank 校验确认异常	长训练无显式报错但精度漂移	⚠️	❌	❌	待补充	静态图 MindSpore ≥2.7，设置 NPU_ASD_ENABLE=1、MS_SDC_DETECT_ENABLE=1 并加入 SDCMonitor；当前主要告警，未形成自动恢复闭环
硬件压力检测	周期执行硬件精度/电压压力检测，发现亚健康设备	长时间大规模集群训练	⚠️	❌	❌	待补充	静态图 StressDetectCallBack/StressTestModelMonitor，属于实验能力
弹性成员变化	rank 成员变化后重新 rendezvous，并重建 mesh、模型、optimizer 和 dataloader	节点替换、动态扩缩容	❌	❌	❌	待补充	三套 Trainer 当前均无完整弹性训练闭环
Checkpoint 失败策略	保存或加载失败时 fail-fast、降级或告警，避免无保护运行或假恢复	存储不可用、权限和容量异常	⚠️	⚠️	⚠️	待补充	HyperParallel 当前捕获异常后仅 warning 并继续，风险最高；建议策略化并默认 fail-fast

主要源码入口：

• 静态图：mindformers/core/callback/callback.py:1604、:1630、:2792、:3360，mindformers/trainer/base_trainer.py:1120、:1434，mindformers/version_control.py:241。
• 动态图：mindformers/pynative/callback/checkpoint_callback.py:31、mindformers/pynative/trainer/trainer.py:779。
• 共享新格式 checkpoint：mindformers/checkpoint/checkpoint.py、reshard.py、fully_parallel.py、utils.py:314。
• HyperParallel：hyper_parallel/trainer/callbacks/base.py:259、:285、:374、:420。

6. HyperParallel 主要能力欠缺

P0：修复已有能力的真实可用性

1. 统一剩余 callback 配置访问路径为 args.train.*。TrainingStateMonitor 和 GradientHealth 已正确接线；Profiler、通用 TensorBoard、Memory、MoE、GC、Eval 等仍读取错误层级。
2. 实现 Profiler callback：按 step/rank 调度 CPU/NPU、通信、显存、stack、MSTX trace，并保存并行策略 metadata。
3. 实现轻量 Memory monitor：current/peak allocated/reserved、逐 step peak reset、rank 聚合，以及 OOM 自动诊断包。
4. 实现 TensorBoard callback，并复用现有 logging event，确保终端日志和 TensorBoard 指标同源。
5. 扩展现有 NaN/Inf health callback：除 global grad norm 外同时检查 loss 和 local/device norm；异常时所有 rank 协同退出。
6. 修复异步 checkpoint 一致性：optimizer step 后创建不可变 CPU staging，再异步写盘；增加临时目录、完成 manifest 和失败策略。

P1：补齐大模型精度与性能诊断

1. 在已有 micro/local/device loss 和 local/device grad norm 基础上，补充跨 rank 对比/聚合、weight norm、optimizer moment norm，并完成 DP/TP/PP/FSDP 语义验收。
2. 增加 Attention max_logits 和 mean_sum。若 mean_sum 的业务定义不同于现有 MindFormers 的 max_attention_logit/mean，需先固定公式、聚合维度和跨 TP/CP 规约语义。
3. 增加 MoE max_vio 一等指标；基于同步后的 tokens-per-expert 计算并输出 layer 级、全局最大值和趋势，同时保留原始直方图。
4. 增加 global norm spike 检测、连续异常次数、跳数据和健康 checkpoint 联动。
5. 自动计算 FLOPs/token、TFLOPS 和 MFU；增加数据等待、PP bubble/stage imbalance、吞吐基线和扩卡线性度。

P2：建立高可用闭环

1. 增加 checkpoint keep-max、完整性验证、完成 manifest/hash、latest complete/healthy 自动选择。
2. 定义 on_exception 生命周期和 last-words checkpoint；诊断包包含配置、日志、最近指标、显存摘要和 profiler 环形缓冲。
3. 接入进程/节点故障恢复：rendezvous、重建 process group/device mesh、模型、optimizer 和 dataloader，并建立故障注入测试。
4. 建立 health checkpoint、UCE/SDC 检测和自动回退之间的统一状态机。
5. 将 Trainer 平台化：分别提供 PyTorch eager 和 MindSpore PyNative adapter；若需要 MindSpore 静态图，再单独建设 graph Trainer adapter。

7. 建议验收矩阵

维度	最低验收标准
精度	单卡及 DP/TP/PP/FSDP 下 loss、global/local/device norm 语义一致；max_vio、attention max_logits/mean_sum 有明确公式和并行规约；注入 NaN/Inf 后全 rank 有界退出
性能	指定 step/rank 能生成可解析 trace；通信、显存、stack、MSTX 开关有效；持续指标包含 tokens/s、TFLOPS、MFU、数据等待和 PP stage 信息
显存	每 step current/peak 可观测并可跨 rank 对比；构造 OOM 能自动生成诊断包；监控关闭时开销可忽略
高可用	覆盖 kill 单进程/单节点、写盘失败、半 checkpoint、异常 loss 四类故障；只从完整且健康的 checkpoint 恢复；恢复后的数据、RNG 和 loss 与无故障基线一致
Trainer 后端	PyTorch eager、MindSpore PyNative、MindSpore GRAPH 分别列能力并独立验收，不能将核心库支持误报为 Trainer 支持

schema_version: 1
source: gitcode
gitcode_repo: mindspore/hyper-parallel
gitcode_issue: 305
source_url: https://gitcode.com/mindspore/hyper-parallel/issues/305

Start with the listed MindFormers and HyperParallel callback, trainer, profiler, configuration, and memory-visualizer paths. Verify the capability comparisons against those entry points, including the stated configuration limitations and unsupported features. Done means a consistent training-debugging gap analysis covering monitoring, profiling, memory analysis, recovery, and checkpoint behavior.