最近在折腾一个多节点分布式训练的任务，用的 PyTorch DDP，后端是 NCCL。环境是公司自研的 MCP 集群，网络走的是 InfiniBand。单机 8 卡跑没问题，但一扩展到两机 16 卡就频繁报“NCCL 超时”和“梯度同步失败”。我检查了网卡配置和 NCCL 版本，也试过调小 batch size 和梯度累积步数，还是偶尔会 hang 住。想问下 MCP 集群下有没有什么特别要注意的参数（比如 NCCL_IB_TIMEOUT 或者环境变量），或者是不是我初始化 group 的方式不对？真心被这个问题卡了三天了，求过来人指条明路。