NCCL Inspector 集成 Prometheus，实时监控分布式训练通信瓶颈

NVIDIA 发布 NCCL Inspector 与 Prometheus 集成方案，可在分布式训练中实时监控 GPU 通信性能，快速定位通信瓶颈或硬件故障。

NCCL Inspector 以轻量级方式持续采集 NCCL 通信环路的延迟、带宽和错误计数等指标，通过 Prometheus 暴露并接入 Grafana 等可视化工具，替代传统事后日志分析。

该工具面向大规模多机多卡训练场景，将可观测性前置到训练过程中，减少因通信问题导致的调试时间浪费，对训练框架运维团队有直接工程价值。