GPUハングを最大35分で検知する：進捗ゼロを異常として鳴らす監視の作り方

ローカルLLM実行中にGPUハングを検知する監視方法を解説。プロセスは生きていても稼働していない状態を、進捗ゼロを異常として捉えることで、機会損失を防ぐ。

• GPUの「生きているが働いていない」状態を検知する監視方法が提案されている。
• 進捗（処理カウント）のゼロ増を異常とみなし、検知レイテンシを最大35分に短縮した。
• ゼロ増に加え、応答遅延などの「wedgeシグネチャ」で誤検知を防ぐ。
• 条件付き再起動と2時間のデバウンスを設定し、自動復旧の上限を設けている。