# Ant Group 中国の金融テック企業(蚂蚁集团)。大規模な共有 GPU 訓練クラスタを運用し、分散 LLM 訓練の信頼性インフラを研究・運用する。(Source: [[@2025__arXiv__XPUTimer - Anomaly Diagnostics for Divergent LLM Training in GPU Clusters of Thousand-Plus Scale]]) - 異常診断フレームワーク [[XPUTimer]](v2 で Flare に改名)を 6,000 GPU 超の本番訓練クラスタで 8 ヶ月以上連続稼働させた。XPUTimer 論文では Jian Sha が Ant Group 所属として著者に連なる(主たる研究機関は [[Shanghai Jiao Tong University]] と [[National University of Singapore]])。 - OSS の自動分散 DL システム [[DLRover]](LF AI & Data Foundation 傘下)の母体で、Flare をその中核コンポーネントとして含める。 - 海外部門の [[Ant International]](時系列基盤モデル Falcon-X を開発)とは関連する組織体だが、本 wiki では両者を別エンティティとして扱う(Ant International は `@ant-intl.com` ドメイン、本ページは中国本土の Ant Group)。 - **SRE・SLO 実践**: Infra SRE チームが 60+ Kubernetes クラスタ・60K+ ノードを 99.999% 可用性目標で運用する。SLO の数が「コンポーネント × ユーザージャーニー × SLO 種別 × 実行環境」で爆発する問題に対し、[[Qian Ding]]・[[Xuan Zhang (Ant Group)]] が SLX フレームワーク（SLF/SLD の拡張 + SLX Graph + GitOps 管理）を SREcon21 で発表した。([[@2021__SREcon21__SLX - An Extended SLO Framework to Expedite Incident Recovery]]) - **AIOps・RCA 研究**: [[Jianguo Li]] が責任著者として変更起因インシデント研究([[@2023__ICSE-SEIP__An Empirical Study on Change-induced Incidents of Online Service Systems]])と BALANCE 論文([[@2023__PACMMOD__BALANCE - Bayesian Linear Attribution for Root Cause Localization]])を主導。BALANCE では Ant Group のコンテナ障害診断プラットフォームを本番デプロイ先として提供。 - **LLM 訓練診断**: [[University of Chinese Academy of Sciences|UCAS]] との産学共同研究で [[CCL-D]] を開発・展開。1,000-H800 GPU 構成の異機種クラスタで 91 件の訓練割り込み中 35.2% が CCL Slow/Hang であることを明らかにし、4,000-GPU 本番クラスタへの 1 年間展開で手動診断 47〜74 時間を 6 分以内に短縮した。([[@2026__PPoPP__CCL-D - A High-Precision Diagnostic System for Slow and Hang Anomalies in Large-Scale Model Training]]) ## 関連 - ソース: [[@2025__arXiv__XPUTimer - Anomaly Diagnostics for Divergent LLM Training in GPU Clusters of Thousand-Plus Scale]] / [[@2023__PACMMOD__BALANCE - Bayesian Linear Attribution for Root Cause Localization]] / [[@2023__ICSE-SEIP__An Empirical Study on Change-induced Incidents of Online Service Systems]] / [[@2026__PPoPP__CCL-D - A High-Precision Diagnostic System for Slow and Hang Anomalies in Large-Scale Model Training]] / [[@2021__SREcon21__SLX - An Extended SLO Framework to Expedite Incident Recovery]] - 関連プロダクト: [[XPUTimer]] / [[DLRover]] / [[CCL-D]] - 関連組織: [[Ant International]] / [[OceanBase]] / [[University of Chinese Academy of Sciences]] - 関連人物: [[Jianguo Li]] / [[Chaoyu Chen]] / [[Dingwen Tao]] / [[Qian Ding]] / [[Xuan Zhang (Ant Group)]] - 共同研究先: [[Shanghai Jiao Tong University]] / [[National University of Singapore]] / [[University of Chinese Academy of Sciences]] - 概念: [[LLM学習モニタリング]] / [[耐障害LLM訓練]] / [[データベース自律診断]] / [[集合通信]] / [[サービスレベル目標]] / [[異常検知]]