SkyPilot详解NVL72调度与容错

SkyPilot公布面向NVIDIA Grace Blackwell NVL72的机架感知调度与容错机制：TAS将跨机架任务切分为可配置的16节点切片，每片放在独立机架并预留两个备用节点；NVIDIA模型显示，同等机架规模下，16节点切片的可用GPU容量比18节点切片高27%。 节点故障时，若故障机架已无剩余备机，Frontier Trainer会将该机架上的切片重新调度至健康机架。共享集群的Auto Defrag仅抢占可安全重启的任务，如支持检查点恢复的托管作业；交互式开发环境默认保持不变，除非管理员明确启用。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。