跳到主要内容
检索

# NVIDIA Run:ai平台

2 篇关联报道

订阅更新
  1. NVIDIA Technical Blog

    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。

  2. NVIDIA Technical Blog

    英伟达把Run:ai整套平台开源:GPU编排不再只走商业订阅,四个组件可单独取用

    英伟达将完整的Run:ai平台以开源软件形式发布,并纳入DSX AI Factory平台,使客户、开发者与生态伙伴可直接获取生产级的AI工作负载与GPU编排能力。此前该平台以商业产品形式提供,用于在Kubernetes上动态分配GPU资源并管理从数据处理、训练到推理的全生命周期。开源版本包含KAI Scheduler、GPU Fractioning Operator、KAI Resource Management和Workload Map四个可独立采用的组件,生态伙伴可整体采用、在其上构建自有产品,或按需集成单个组件。

已读完全部报道