该技能介绍 Megatron Bridge 训练中的弹性特性，包括故障容错、掉队者检测、进程内重启、抢占与实验性重跑状态机，相关文档位于 docs/training/resiliency.md 与 checkpointing.md。
故障容错仅支持 Slurm，推荐通过 NeMo Run 的 FaultTolerancePlugin 启用，参数含 num_in_job_restarts（默认3）、num_job_retries_on_failure（2）、initial_rank_heartbeat_timeout（1800秒）、rank_heartbeat_timeout（300秒）；也可用 FaultToleranceConfig 直连配置，但必须用 ft_launcher 而非 torchrun，非 Slurm 环境需设置 GROUP_RANK=0，并可用 --ft-rank_section_timeouts 与 --ft-rank_out_of_section_timeout 控制分段超时，开启 calc_ft_timeouts 后超时会写入 ft_state.json。
掉队者检测使用 NVRxStragglerDetectionConfig，可设置检测间隔、相对与个体 GPU 性能阈值等；默认只记录日志，需 stop_if_detected=True 才会终止训练，且不应与旧检测器同时启用。
抢占支持 PreemptionPlugin（Slurm）或直接设置退出信号处理器与信号。进程内重启为实验特性，需配置启用、粒度、软硬超时等，并设置 TORCH_CPP_LOG_LEVEL、TORCH_NCCL_RETHROW_CUDA_ERRORS、NCCL_NVLS_ENABLE 环境变量；NCCL watchdog 超时须大于 hard_timeout，不支持 NeMo-Run Slurm Executor，需用 srun --kill-on-bad-exit=0 启动。重跑状态机同为实验特性，rerun_mode 可选 disabled、validate_results、report_determinism_stats，退出码 16、17 分别表示重跑消歧与校验失败。
检查点方面支持异步保存（需 ckpt_format="torch_dist"）与 NVRx 本地检查点。资料给出配置与运行代码锚点、验证脚本和若干注意事项，未提供收费、平台等其它信息。