Together AI Blog·· 6 天前AI 评分40
Together GPU 集群的自动修复：从 GPU 故障到健康节点
Auto repair for Together GPU Clusters: from GPU fault to healthy node
AI 导读
Together AI 详解其 GPU 集群自动修复系统，通过 VM 内与宿主机两侧的被动健康检查捕获 Xid 错误、ECC 双比特错误、PCIe 掉卡和 InfiniBand 链路抖动等故障，并按最轻修复动作给出建议。
来源：Together AI Blog · together.ai