用途：为 Megatron Bridge 大规模分布式训练提供容错与弹性能力，减少故障导致的中断与进度损失。
主要能力：故障容错（仅 Slurm，支持心跳超时与自动重启）；NVRx 掉队检测（相对/单卡性能监控，可设置阈值与是否终止训练）；抢占处理（发送退出信号并保存状态）；重跑状态机（实验性，检测损失 NaN 与异常尖峰）；进程内重启（实验性，支持按节点或 rank 粒度重启）；异步检查点保存与本地检查点。
使用方式：通过配置类启用，如 configuration 中的 FaultToleranceConfig、NVRxStragglerDetectionConfig、RerunStateMachineConfig、InProcessRestartConfig。故障容错可直接配置并需用 ft_launcher 启动（非 torchrun），非 Slurm 环境需设置 GROUP_RANK=0；也可用 NeMo Run 的 FaultTolerancePlugin、PreemptionPlugin 插件。异步保存需 cfg.checkpoint.async_save=True 且 ckpt_format="torch_dist"。
限制：故障容错仅支持 Slurm；进程内重启与 NeMo-Run、Slurm 抢占插件不兼容，且对 PyTorch/NCCL 版本与环境变量有要求，需直接以 srun --kill-on-bad-exit=0 启动；NCCL watchdog 超时须大于 hard_timeout；重跑状态机为 alpha 阶段。NVRx 与旧掉队检测不要同时启用；stop_if_detected 默认为 False，仅记录不终止。具体平台与收费信息暂未提供。