OpenAI 团队追踪 Rockset 中一个看似不可能的崩溃：函数正常执行完却跳转到空地址。通过构建自动化的核心转储分析管道，他们发现这不是一个 bug，而是分别隐藏了18年的 libunwind 竞争条件和一次硬件错误的两个独立事件。值得所有做底层系统的工程师一读。

微调 MoE 大模型最头疼的就是显存不够、通信太慢。NVIDIA NeMo AutoModel 只改一行 import，就在 Transformers v5 基础上叠加了 DeepEP 通信计算重叠和 Expert Parallelism 显存分片，把 550B 模型训练吞吐提升了 3.7 倍，还省了 32% 显存，存的 checkpoint 标准兼容 vLLM。这是一篇用工程手段解决核心瓶颈的硬核实战复盘。