Prueba de Slurm para grupos de entrenamiento de IA

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

1. ¿Qué comando suelen utilizar los usuarios para enviar un trabajo por lotes a Slurm?
   • lote
   • aplicar kubectl
   • ejecución de la ventana acoplable
   • git empujar
2. ¿Cómo solicita GPU un trabajo de Slurm?
   • Editando registros DNS
   • A través de una directiva --gres=gpu
   • Sólo a través de un formulario web
   • No se pueden solicitar GPU en Slurm
3. ¿Qué componente de Slurm toma las decisiones centrales de programación?
   • arrastrado
   • correr
   • slurmctld
   • lote
4. Why can srun help launch distributed training tasks inside a Slurm allocation?
   • It automatically restores every model checkpoint
   • It replaces slurmctld as the scheduler
   • It converts a single GPU into multiple physical GPUs
   • It launches coordinated tasks across allocated nodes; the training setup may still need explicit DDP configuration
5. ¿Cuál es el propósito de la programación de reabastecimiento en Slurm?
   • Realizar trabajos cortos en espacios inactivos sin retrasar el trabajo de mayor prioridad
   • Para eliminar trabajos antiguos
   • Para overclockear GPU
   • Para cifrar registros de trabajos
6. What must an AI training script do so a requeued Slurm job can continue after a node failure?
   • Assume Slurm stores model weights automatically
   • Save checkpoints and reload them when the job restarts
   • Disable resource accounting
   • Submit a new job without restoring state
7. Which Slurm daemon normally runs on each compute node to launch tasks and report node status?
   • slurmctld
   • sbatchd
   • arrastrado
   • gresctl
8. What can Slurm resource accounting help cluster administrators track?
   • The model’s validation accuracy automatically
   • The semantic content of training data
   • Whether every checkpoint is scientifically valid
   • Job resource use such as allocated CPUs, GPUs and time