Together GPU 集群上线自动修复:从 GPU 故障到节点恢复无需人工
togethercompute · x · 2026-10-28
Together AI 宣布其 GPU 集群支持全自动节点修复:auto repair 从 GPU 故障到节点恢复健康全程自动。工作方式:
- 被动健康检查持续监控每个节点,覆盖 VM 内部与底层宿主机
- 可捕获 Xid 错误、双位 ECC 错误、GPU 掉 PCIe 总线、InfiniBand 链路抖动等故障
- 发现故障后,平台推荐「最轻量」的修复动作并附支持证据
- 用户可精细配置哪些修复允许无人值守执行,粒度可到单个 Xid 错误码
该能力年初已上线,目前内部推理平台与 GPU 集群客户均已在使用,用于提升分布式训练与推理的工作负载韧性、减少停机。
「Infra」频道最新
- SK 海力士 Q3 营收 104.62 万亿韩元超预期,同比暴涨 328% — firstadopter · 2026-10-28
- Google TPU 首次进驻第三方超大规模云,Oracle 2027 年起部署 — rohanpaul_ai · 2026-10-28
- SK 海力士与美光齐声:HBM 存储供不应求将持续到 2030 年 — BenBajarin · 2026-10-28
- Epoch AI 算力版图图:美国份额升至约72%,中国占比持续收缩 — SamuelAlbanie · 2026-10-28
- Liquid Inference 日处理百亿 token,88.7% 输入命中缓存 — AccBalanced · 2026-10-28
- 民调：英国仅东北部支持本地建数据中心，整体净支持 -13% — SamuelAlbanie · 2026-10-28