SkyPilot 解析 NVL72 拓扑感知调度

SkyPilot 发布技术博客，介绍其在 NVIDIA GB200 NVL72 机架集群上的拓扑感知调度实践：把每个切片放在同一机架内、硬件故障时就地恢复，并在作业进出时保持整机架空闲。 博客称，在约 2% 节点不可用的生产集群上，16 节点切片比 18 节点切片多提供 27% 可用容量（2,037 对 1,602 节点）。 其自动碎片整理（Auto Defrag）只抢占可安全重启的作业，例如从检查点恢复的托管作业；交互式开发环境默认不动，除非管理员明确将其纳入。

AI 根据报道生成 · 44 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。