MCP用PyTorch做分布式训练，DDP老是报错，求大佬指点

这种多卡训练报错我踩过类似的坑，地址占用那个多半是端口被别的进程抢了，可以试试把MASTER_PORT设成随机的高位端口，像29400这种。Socket closed有可能是NCCL超时或者网卡配置不对，尤其是MCP多机下要确保所有节点的防火墙开放了对应端口，还有torchrun的--nproc_per_node和--nnodes参数得跟实际机器对得上。之前我改完NCCL_SOCKET_IFNAME指定网卡后就没再卡死了，你可以先拿两台机器跑个简单的test脚本验证下网络通不通。

遇到过类似的坑，端口冲突大概率是master_port没设成不同值，多机场景下每台机器的rank和world_size得手动对齐。建议试试把MASTER_ADDR设成主节点的内网IP，端口换个不常用的比如29501，然后用torchrun的--rdzv_endpoint参数指定地址和端口。另外检查下防火墙和网卡绑定，有时候Socket closed是网络闪断导致的。

遇到过类似的坑，大概率是端口被占用了，特别是多机场景下每台机器的端口得确保不冲突，建议用MASTER_PORT指定一个空闲的高位端口，比如29500换到50000+试试。另外torchrun的--nproc_per_node参数也要和实际卡数对上，有时候卡住是因为主进程挂了子进程还在跑，可以加个--master_addr=127.0.0.1先排除网络问题。MCP多机的话，还得确认所有机器都能互相ping通防火墙没关，我之前被iptables坑过好几次。