Together AI 详解 GPU 集群自动修复系统

2026年10月27日，Together AI 在其博客发文，详解其 GPU 集群自动节点修复系统，介绍该系统如何从 GPU 故障处理到恢复健康节点，覆盖被动健康检查、修复建议、自动修复策略、等待空闲控制、升级阶梯与安全护栏等环节。据该文，被动健康检查、修复建议、自动修复策略（含按故障与按节点授权）、等待空闲控制、升级阶梯、安全护栏，以及 API 与控制台修复功能，均于当日正式可用（Generally available）。同时，基于节点标签的修复契约（可接入 NVSentinel 或自定义控制器等自带检测系统）与宿主机断电重启（Host power cycle）仍处于预览（Preview）阶段。对于需要保证替换窗口的集群，可预留热备容量，使迁移从该预留容量中取用，而不占用常规可用容量。上述可用范围与预览状态均以该文所述为准。

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。