线上运行环境速查¶

本页整理已经从真实线上任务日志里验证过的环境事实，用来指导 bundle 设计和线上排障。它不是平台 SLA；如果平台镜像或资源策略变化，应以新的任务日志为准。

采样日志来自 2026-04-25、2026-04-26 和 2026-04-27 的线上任务启动记录。

最重要的结论¶

线上默认 Python 是 /opt/conda/envs/competition/bin/python3，版本 3.10.20。
平台预装 CUDA 12.6 相关 PyTorch 栈，包括 torch==2.7.1+cu126、torchrec==1.2.0+cu126 和 fbgemm_gpu==1.2.0+cu126。
任务启动时没有可靠的 uv，训练和推理 bundle 应使用 TAAC_RUNNER=python。
公共 PyPI、Astral、GitHub、PyTorch 官方索引和 conda-forge 不应作为任务启动依赖。
Tencent PyPI / Anaconda 镜像在继承平台代理时可达。
可见 GPU 是约 0.2x NVIDIA H20，可用显存约 19.6 GiB；不要按整卡 H20 设计 batch size。
gcc/g++ 11.4.0、make 4.3、nvcc 12.6.77 可用；cmake、ninja、pkg-config 缺失。

对训练配置的影响¶

按小显存 GPU 设计默认值：

优先启用 AMP，再逐步调 batch size。
OOM 时先降 batch size、序列长度、模型宽度、num_workers 和训练 shuffle buffer；step-random 训练默认使用 buffer_batches=1，不要再沿用旧的 20。
不要在任务启动阶段覆盖安装核心 GPU 包。
需要原生构建的依赖尽量提前解决，不要指望线上临时编译复杂 CUDA / C++ 包。

一个更接近线上使用的启动方式：

export TAAC_RUNNER=python
export TAAC_PYTHON=/opt/conda/envs/competition/bin/python3
export TRAIN_DATA_PATH=/path/to/train.parquet_or_dataset_dir
export TAAC_SCHEMA_PATH=/path/to/schema.json
export TRAIN_CKPT_PATH=/path/to/output

bash run.sh --device cuda

网络和依赖¶

日志中平台注入的是小写代理变量：

http_proxy=http://21.100.120.217:3128
https_proxy=http://21.100.120.217:3128

实践上要记住两点：

不要无条件 unset http_proxy https_proxy，否则会一起关掉 Tencent 镜像通路。
不要在线安装 uv 或重建 CUDA / PyTorch 栈。

缺少纯 Python 包时，可以优先尝试平台可达镜像：

python -m pip install -i https://mirrors.cloud.tencent.com/pypi/simple/ <package>

平台资源概览¶

项目	观测值
操作系统	Ubuntu 22.04.5 LTS
Python	`/opt/conda/envs/competition/bin/python3`，3.10.20
CUDA Runtime	12.6
NVIDIA Driver	535.247.01
nvcc	12.6.77
GPU	`0.2x NVIDIA H20`
可见显存	约 19574 MiB
内存	日志中约 2.2 TiB，无 swap

CPU、总内存和磁盘看起来宽裕，但作业实际可用资源仍可能受平台调度影响。训练排障时以当前任务日志为准。

编译工具链¶

线上容器具备最基础的 C/C++ 编译能力，但缺少现代原生构建辅助工具。

工具	状态	版本或说明
gcc	可用	Ubuntu 11.4.0-1ubuntu1~22.04
g++	可用	Ubuntu 11.4.0-1ubuntu1~22.04
cc	可用	Ubuntu 11.4.0-1ubuntu1~22.04
c++	可用	Ubuntu 11.4.0-1ubuntu1~22.04
make	可用	GNU Make 4.3
nvcc	可用	12.6.77
cmake	缺失	日志中记录为 missing
ninja	缺失	日志中记录为 missing
pkg-config	缺失	日志中记录为 missing

对实际任务的影响主要有三点：

依赖 setuptools + gcc/make 即可完成的轻量源码构建，理论上还有机会成功，但仍会受到代理与出网问题限制。
依赖 cmake、ninja 或 pkg-config 的 Python 包、CUDA 扩展、C++ 原生算子和部分第三方库，不能假设可以在任务启动时现编现装。
即使 gcc 与 nvcc 同时存在，也不代表线上可以临时编译完整自定义算子链路，因为缺少构建工具和外网依赖之后，常见源码安装流程通常还是会失败。

排障速查¶

现象	优先检查
`uv: command not found`	bundle 是否仍在用 `TAAC_RUNNER=uv`
依赖安装失败	是否访问了公共 PyPI / Astral / PyTorch 索引
训练 OOM	batch size、序列长度、模型宽度、`num_workers`、`buffer_batches`
Torch / CUDA 版本冲突	是否在线覆盖了平台预装 GPU 栈
找不到 `cmake` / `ninja`	是否把复杂原生构建留到了线上启动阶段
推理找不到缓存目录	显式设置 `TAAC_BUNDLE_WORKDIR`

采集新证据¶

需要更新这页时，先在线上跑维护实验：

uv run taac-package-train \
  --experiment experiments/host_device_info \
  --output-dir outputs/bundles/host_device_info

上传后执行训练 bundle，把 stdout 作为原始材料，再把稳定结论整理回本页。

采集日志至少要保留这些信息：

任务日期和平台任务 ID。
Python 可执行文件与版本。
pip list 里核心 GPU 包版本。
nvidia-smi 摘要。
代理变量是否存在，以及 Tencent 镜像探测结果。
gcc、g++、make、nvcc、cmake、ninja、pkg-config 是否可用。

维护实验入口和采集逻辑分别在 experiments/host_device_info/__init__.py 与 experiments/host_device_info/runner.py。bundle 运行时选择 runner 的逻辑在 src/taac2026/infrastructure/platform/env.py，依赖安装逻辑在 src/taac2026/infrastructure/platform/deps.py。