用途：为 Megatron Bridge 分布式训练提供弹性能力，减少故障、慢节点和抢占导致的训练中断。
主要能力：容错（仅 Slurm）支持作业内重启与失败重试，并可按 setup、step、checkpointing 等阶段设置超时；NVRx 掉队检测可比较各 rank 相对与个体性能并输出报告；抢占处理可在作业时限前发送信号并触发退出处理；重跑状态机（实验性）可校验结果、检测 NaN 与异常大 loss；进程内重启（实验性）支持 node 或 rank 粒度重启，配合软/硬超时与心跳；另含异步 checkpoint 保存与本地 checkpoint。
使用方式：容错推荐用 NeMo Run 的 FaultTolerancePlugin，或配置 FaultToleranceConfig 后用 ft_launcher 启动（非 Slurm 需 export GROUP_RANK=0）。掉队检测配置 NVRxStragglerDetectionConfig。抢占可用 PreemptionPlugin 或直接设置 exit_signal_handler。进程内重启需设置 TORCH_CPP_LOG_LEVEL=error、TORCH_NCCL_RETHROW_CUDA_ERRORS=0、NCCL_NVLS_ENABLE=0，并用 srun --kill-on-bad-exit=0 启动。异步保存需 async_save=True 且 ckpt_format="torch_dist"。
限制：容错仅 Slurm，直接配置必须用 ft_launcher 而非 torchrun；进程内重启与 NeMo-Run、Slurm 抢占插件不兼容，且 NCCL watchdog 超时须大于 hard_timeout；NVRx 与旧掉队检测器不要同时启用；stop_if_detected 默认只记录不终止；重跑状态机为 alpha。具体版本要求与完整参数暂未提供。