背景概述在集群部署DeepSeek等大模型时，Create the hccl communication group failed 错误多由跨机HCCL通信配置不当引发。根因常为ranktable文件中IP、端口或Rank映射错误，导致节点间无法建立可靠通信通道。问题现象在开发环境中部署 DeepSeek 双机推理服务时，进程启动失败，日志中明确报错：Create the hccl communication group failed 故障排查过程针对上述报错，我们按照从底层网络到上层配置逻辑的顺序进行了逐步排查： 1. 排查网络节点首先确认节点间的网络状态及 NPU 互联情况。 ●节点网络状态：通过 ifconfig 或 ip addr 检查，各节点网卡状态均为 UP，IP 配置正常。 ●NPU 互联 Ping 测试：使用 hccn_tool 或系统 ping 命令测试两机 NPU 接口间的连通性，结果显示延迟正常，无丢包，网络层面无异常。 2. 配置文件分析在网络连通性正常的情况下，重点排查 HCCL 通信所需的拓扑配置文件 ranktable。 ●主节点配置：检查主节点（Node 0）的 ranktable，其 rank_id 分配为 0-7，符合预期。 ●副节点配置：检查副节点（Node 1）的 ranktable，发现其 rank_id 被错误地配置为 0-7。异常点：在双机 16 卡部署场景下，全局 Rank ID 应当是连续的唯一标识。副节点的 Rank ID 应当接续主节点，即使用 8-15，而非重新从 0 开始。问题根因 HCCL 在创建跨机通信组时，要求所有参与通信的 NPU 拥有全局唯一且连续的 rank_id。在本案例中，副节点的 ranktable 文件中 rank_id 使用了非连续的全局编号（即重复使用了 0-7），导致 HCCL 无法正确映射全局通信拓扑，从而抛出 Create the hccl communication group failed 错误。解决措施修正 ranktable 文件中的 rank_id 分配，确保全局编号连续且唯一。 1.修改副节点 ranktable：将副节点（Node 1）的 rank_id 从 0-7 修改为 8-15。 2.验证配置：确保主节点 rank_id 为 0-7，副节点 rank_id 为 8-15，且所有节点的 IP 地址与端口配置正确对应。 3.重启服务：重新执行部署脚本或重启推理服务，确认 HCCL 通信组创建成功，DeepSeek 推理服务正常启动。