ARI Docs

日本語

English
中文

日本語

English
中文

Appearance

計算ノード安全規約 (L1–L7) ​

reproduce.sh は SLURM allocation 内の compute node で実行され、 エージェントが生成した login node 上ではない。 以下 7 規約 (L1–L7) は compute node で完走するために必要。

PaperBench レプリケータエージェントは ari-skill-paper-re/src/prompts/replicator.md の COMPUTE-NODE EXECUTION CONVENTIONS block 経由でこれらを指示される (本ドキュメントは reproduce.sh を手 audit するための reference)。

L1 — 共有 FS ​

reproduce.sh の全てのパスは 全 allocated node から解決可能で あること。

  • ✅ $HOME, /work/..., /scratch/..., /lustre/..., /nfs/...
  • ❌ /tmp, /var/tmp, /local, container-local mount のみのパス

ARI は checkpoint dir がノードローカル FS の場合に警告するが、 run は止めない — rank 1+ が rank 0 のファイルを見えず silent fail する。

L2 — MPI 起動: mpirun より srun を優先 ​

bash
# 推奨 (SLURM PMI/PMIx 統合経由; OpenMPI/MPICH を別途インストール
# しなくても動く):
srun -n $SLURM_NTASKS ./my_program

# 許容できる fallback (OpenMPI/MPICH モジュールが load されている時のみ):
mpirun -np $SLURM_NTASKS ./my_program

# 最終手段の Python fallback (srun/mpirun どちらも PATH に無い時):
pip install --user mpi4py
python -c "from mpi4py import MPI; ..."

先に which srun mpirun でテストする。 エージェントプロンプトは レプリケータにこのチェックを emit するよう指示する。

L3 — GRES プローブ ​

rubric の execution_profile.gpu_type が設定されている場合、 ARI は sbatch に --gres=gpu:<type>:N を加える前に sinfo -o '%G' を確認 する。 GRES 未設定 ((null)) なら flag を落とし、 警告を log。 --gpus-per-task は残る。

対話的に確認:

python
from ari_skill_paper_re.server import _slurm_has_gres
_slurm_has_gres()    # True / False

L4 — Conda / virtualenv activation ​

#!/usr/bin/env bash は どの Python 環境も自動的には activate しない。 reproduce.sh に特定 env が必要なら冒頭で:

bash
# Option A: source ~/.bashrc (クラスタのデフォルト Python env)
source ~/.bashrc

# Option B: 明示的 conda activate
source ~/miniconda3/etc/profile.d/conda.sh
conda activate ari-repro

# Option C: /usr/bin/python3 + user-site インストールに任せる
pip install --user numpy matplotlib mpi4py

エージェントプロンプトはレプリケータに上記いずれかを選ばせる。

L5 — モジュールロード ​

サイト固有のモジュール (CUDA, OpenMPI, コンパイラ, mathlib) は login node ではなく reproduce.sh 内でロードする必要がある。 rubric の execution_profile.module_loads で指定:

jsonc
"module_loads": ["cuda/12.4", "openmpi/4.1", "gcc/11.3"]

エージェントは次を emit:

bash
module load cuda/12.4 openmpi/4.1 gcc/11.3

ARI はモジュール名を検証しない — クラスタの module avail が authoritative。

L6 — マルチノード fan-out ​

reproduce.sh は 最初の allocated node 上の 1 rank として起動 する。 全ノードを使うにはスクリプトが fan-out する必要がある:

bash
srun -N $SLURM_JOB_NUM_NODES -n $SLURM_NTASKS ./my_program

これがないと sbatch --nodes=4 成功でもスクリプトは 1 node しか使わ ない。 エージェントプロンプトの "MULTI-NODE FAN-OUT" 節がレプリケータ に念押しする。

L7 — Timeout 包み ​

SLURM --time はハードウォールクロック (時間超過で SIGTERM)。 部分的 結果安全のため長時間ステップを timeout で囲む:

bash
timeout 1800 python long_step.py    # 30 分上限
timeout 600  ./bench                # 10 分ベンチマーク上限

これにより遅いステップが allocation 全部を食わない。 エージェント プロンプトは推奨するが強制はしない。

生成済 reproduce.sh の検証 ​

実行前のチェックリスト:

bash
# 1. ノードローカルパス無し
grep -E '/(tmp|var/tmp|local)/' repro_sandbox/reproduce.sh && echo BAD

# 2. srun OR mpirun (生 ./program ではなく)
grep -E 'srun|mpirun' repro_sandbox/reproduce.sh || echo MISSING_FANOUT

# 3. execution_profile が要求した場合のモジュールロード
grep -E '^module load' repro_sandbox/reproduce.sh

# 4. 長時間ステップの timeout
grep -E 'timeout' repro_sandbox/reproduce.sh

関連 ​