Cognition 揭万卡训练痛点：单 GPU 掉线即全停，靠 Mission Control 保 96% goodput
silasalberti · x · 2026-10-21
Cognition 工程师 Silas Alberti 解释为何选择 CoreWeave：在数千 GPU 的同步训练中，单个副本宕机就会中断整个任务。CoreWeave 的 Mission Control（随云平台附带）会在不健康节点拖累吞吐前自动替换它们，预览版 GPU Straggler Detection 则能定位拖慢同步作业的单块 GPU。
CoreWeave 称该体系可带来最高 96% 的训练 goodput，并统一安全合规、专家支持与可观测性。
「Infra」频道最新
- API 上下两层同构：speculative decode 与 agent 决策回路的对照表 — akbirthko · 2026-10-21
- 马斯克：SpaceX/特斯拉 Terafab 目标 2028 年量产先进 AI 芯片 — Polymarket · 2026-10-21
- Amazon 与 Google 推 Torch 兼容工具，降低从 Nvidia 芯片迁移门槛 — nordicinst · 2026-10-21
- Brev 创始工程师 Tyler Fong 转投 National Compute，深耕 GPU 获取难题 — blelbach · 2026-10-21
- 自托管版 ChatGPT：OvertChat 一条命令搞定本地模型全家桶 — anitamaxwynnn69 · 2026-10-21
- SemiAnalysis：同一块 B200，服务栈优化可多榨 50% 算力产出 — AI Engineer · 2026-10-21