GPU 平台验证补上运行时清单：AICR 默认纳入 k8s-aibom，看清节点上真正跑着什么
NVIDIA 的开源组件 AICR 现在把 Google 的 k8s-aibom 作为受验证组件纳入配方，让 GPU 加速的 Kubernetes 平台在部署已知良好配置的同时，记录集群里实际运行的 AI 工作负载。此前配方只能固定平台配置，应用团队自行更新的工作负载和 :latest 这类可变镜像标签可能让两个节点在同一标签下跑不同代码。两个 GKE 配方默认选中该组件，其余配方可在生成时开启。
英伟达把智能体安全运行时OpenShell捐给CNCF，Kubernetes上跑智能体多了治理层
英伟达在KubeCon + CloudNativeCon上宣布将开源智能体安全与治理运行时OpenShell捐给云原生计算基金会（CNCF），使其成为由社区治理的沙箱项目，同时参与谷歌主导的Agent Substrate框架，并发布DSX AI工厂平台的三项新组件。OpenShell对智能体使用工具、访问推理服务和执行工作负载施加确定性控制，并允许接入自有算力、推理服务商、凭据存储与监控工具。英伟达称已有数百家组织使用OpenShell，项目在发布不到一年内收到数万次贡献。
Agent Substrate 捐入 CNCF 沙箱：闲置智能体会话换出，项目方称容器密度可达 10 倍
NVIDIA 把开源运行时 Agent Substrate 捐入 CNCF 沙箱，用于在 Kubernetes 上安全运行大量沙箱化 AI 智能体。智能体大部分时间在等待提示、工具结果或模型回复，按会话常驻 Pod 会为闲置状态占用内存，按需建 Pod 又要在每一步付出数秒冷启动并丢失状态。Agent Substrate 用少量常驻工作 Pod 复用大量会话，空闲会话连同内存与文件系统被检查点保存，下次请求到来时恢复到任一空闲工作 Pod，项目方称其容器密度比标准容器高 10 倍。
NVIDIA Snapshot 开源：把已初始化的 GPU 推理负载存成快照，副本恢复从数分钟缩到 45 秒内
NVIDIA 开源了 NVIDIA Snapshot，一个面向 Kubernetes 上 GPU 推理负载的检查点与恢复组件：它把已完全初始化的负载连同 CPU 与 GPU 内存一起存成可移植产物，在相同 GPU 型号与驱动的节点上恢复，从而跳过权重加载、编译与图捕获。在 vLLM、SGLang 和 TensorRT LLM 三个引擎、从 6 亿参数模型到 8 卡上 1 TB 检查点的 MoE 模型上，所有测试配置的副本恢复都在 45 秒以内，比冷启动快 8 到 36 倍。
英伟达把DGX SuperPOD运维交给AI智能体：跨层定位训练掉速，只读权限先行
英伟达为自家DGX SuperPOD运维开发了AI Factory Operations Agent，让站点可靠性工程师不必逐个查看计算、网络、硬件和调度仪表盘。该智能体由面向不同运维领域的专用子智能体组成，通过MCP协议通信，在生产中检测故障、跨层关联根因并经聊天界面给出建议。框架以Kubernetes控制面应用形式部署，工具调用受只读凭据和RBAC约束，编排框架以实验性开源软件发布。
新框架接入 Kubernetes 不再等适配器：NVIDIA 把作业结构写成一份可复用 YAML
NVIDIA 把 Kubernetes 分布式作业的结构描述从编译进工具的适配器换成一份可读定义：Workload Map 是一个自定义资源加 Go 库，为 JobSet、PyTorchJob、RayCluster 等框架给出统一结构视图。此前每接入一种自定义资源都要写一个适配器，解释角色、把状态折算成阶段、改 pod 模板而不弄坏作业，新类型支持常要等一个发布。定义以 YAML 写明模板位置、副本数与状态映射，调度器与平台共用；示例 JobSet 解析出一个 leader、两个 worker，共 12 块 GPU。
GPU不再整块分配：CUDA 13.4给显存划硬边界，Kubernetes按份额切卡
NVIDIA CUDA 13.4新增一种对应用透明的分时共享模式，让每个工作负载只看到并被强制限制在一部分GPU显存内，超出申请量的分配会像在小显存GPU上一样失败。KAI Scheduler 从 v0.18.0 起提供 NvFractions 共享模式，负责挑选GPU切片并把显存与计算模式写进 Pod 注解，新开源算子 gpu-fractioning 在节点上执行这些限制并统计每个份额的实际用量。
英伟达把自愈恢复引擎接进Kubernetes：故障节点先隔离，训练任务不必等根因诊断
英伟达 Mission Control 2.5 把原本只服务 Slurm 高性能计算负载的自主恢复引擎扩展到由 NVIDIA Run:ai 管理的 Kubernetes 工作负载。此前这类 AI 工厂依赖人工干预、静态检查点和被动监控，难以支撑数十个并发多节点训练任务。新版本把工作负载放置、作业恢复与硬件恢复分成三层协同：作业侧依据失败历史和作业拓扑决定重启、重试或重新排队，硬件侧隔离可疑节点并做诊断，使恢复不必等待根因分析。
运维智能体不再每次从零查故障：把处置经验写成检测器和手册，复发故障解决快2.1倍
面向Kubernetes分布式应用的运维智能体SDO把每次故障处置沉淀为可复用的运维记忆：手册记录可参数化的诊断与修复步骤，检测器用非LLM代码在集群状态上判断何时该调用哪本手册，架构摘要则把手册中的角色绑定到当前应用。在11个开源微服务应用上，SDO在复发故障上把解决时间降低52%，中位解决时间从584秒降到282秒、token从540万降到220万；从源码部署应用时，运维记忆把部署时间与token用量降低47.5%。
NVIDIA 开源 NVCRE：在 Kubernetes 上跑真实分布式负载，把 512-GPU 训练前的集群就绪变成可验证属性
NVIDIA 发布开源 Kubernetes 控制器 NVCRE（Cluster Readiness Engine），通过运行真实分布式工作负载（NCCL 通信、DCGM 四级诊断、NeMo Nemotron 5 预训练）并按拓扑感知分组测量结果，报告具体哪些节点失败及原因，从而在生产负载落地前验证 GPU 集群就绪性，替代手工编写 NCCL 清单和人工逐机排查。