22.4 跑不起来：找第一个真实错误

设备未识别 → 驱动/固件/容器设备映射
环境初始化失败 → Runtime、框架、插件版本配套
权重加载失败 → checkpoint key、模型配置、dtype、内存
首次 Forward 失败 → 第一个 Unsupported Op、shape、layout、device
仅某些 Shape 失败 → 动态 Shape、mask、编译缓存、尾块
仅多卡失败 → rank、通信组、collective 次序和分片尺寸

异步设备错误可能在后续同步点才浮现。保留第一条异常之前的算子与输入记录；必要时用同步执行或最小算子复现定位最早失败点，再逐层恢复异步与并发。不要把最后一个笼统 Runtime Error 当成根因。device、dtype、shape、stride、position、mask 和当前 rank 是最基本的现场信息。