【16张B200训模型踩了13个坑】双节点16张B200跑35B MoE模型RL训练，作者记了13个bug。PyTorch显存扩展和推理休眠互斥，改一个另一个炸；B200自动启用的FlashInfer融合算子在容器里IPC死锁，CPU飙满GPU闲着；EAGLE投机采样+混合Mamba结构接受率竟是0%，draft白跑全被拒，关掉更快。最离谱的OOM：entropy计算要临时分配20GB，框架早就实现分块计算只是默认没开，一行参数解决。调试CUDA异步错误像追凶，stack trace常指错方向，sglang给的修复建议有时就是bug本身。你遇到过自动推荐反而坑人的工具吗？#AI训练# #你被自动优化坑过吗#